Apprentissage antagoniste pour la segmentation sémantique semi-supervisée

Nous proposons une méthode de segmentation sémantique semi-supervisée utilisant un réseau adversarial. Alors que la plupart des discriminateurs existants sont formés pour classer les images d'entrée comme réelles ou fausses au niveau de l'image, nous concevons un discriminateur de manière entièrement convolutive afin de distinguer les cartes de probabilité prédites de la distribution de segmentation de vérité terrain, en tenant compte de la résolution spatiale. Nous montrons que le discriminateur proposé peut être utilisé pour améliorer la précision de la segmentation sémantique en couplant la perte adversariale avec la perte d'entropie croisée standard du modèle proposé. De plus, le discriminateur entièrement convolutif permet l'apprentissage semi-supervisé en découvrant les régions fiables dans les résultats prédits des images non étiquetées, fournissant ainsi des signaux supervisatoires supplémentaires. Contrairement aux méthodes existantes qui utilisent des images faiblement étiquetées, notre méthode exploite les images non étiquetées pour renforcer le modèle de segmentation. Les résultats expérimentaux sur les jeux de données PASCAL VOC 2012 et Cityscapes démontrent l'efficacité de l'algorithme proposé.