What:这篇是将生成对抗网络应用到半监督学习，用discriminator的信号作为无标签数据集的反馈信号，对抗生成网络构建一个对抗规则化的作用。作用将搭建的半监督学习网络应用到语意分割中，通过实验证明半监督学习的有效性，可以用更少的数据集训练出较好的结果。网络的结构图如下图所示，有标签的图片得到一组分类损失，无标签的图片得到一组对抗损失，通过反馈优化网络参数。
Why:提出这个结构的原因，首先半监督学习有一个很大的优点， 需要标注的标签相对要少很多，而标注标签是一个相当费时费力的工作。然后，作者在related work中分析了很多其他结构的不足之处：自编码结构限制了其监督网络结构必须和encoder一样；self-supervised 方法也有与autoencoder相同的缺点，限制结构且不适合用于捕获输出变量之间的相关性等。Gan的提出得到多种应用，同时也启发了作者对半监督网络的构建，通过对抗网络和没有标注的图片来规则化图片。
How:主网络是一个segnet-basic network, 由编码解码两部分组成，编码部分：4个 convolution（7*7）-bath normalization-Relu-max pooling（stride=2）, 解码部分：4个 max unpooling(stride=2)-convolution（7*7）-bath normalization. 具体可以看segnet.
对抗网络：3个convolution（3*3，output stride=2）-bath normalization- LRelu,后面再接一个全局池化,最后一个线性层是单变量输出。
损失函数的构建与网络的训练：
损失函数的构建：损失函数由两个部分构成，一部分是作用于有标签的图片上，这一部分就是一个经典的分类损失函数。另一部分是作用于没有标签的图片，这一部分是对抗损失函数。定义如下所示：
其中对抗损失函数用如下函数：
网络的训练就是优化下面这公式的过程，训练时用1/8,1/4,1/2分别训练验证结果：
具体过程如下表所示：
Result:结果就是用更少的标注图片训练得到很好的结果，结果如下：