【论文笔记】CVPR2020 A Multi-task Mean Teacher for Semi-supervised Shadow Detection

Multi-task Learning的工作：

Contribuions

• 提出了：

1. 利用更加丰富的unlabeled data
2. 利用multi-task learning来提供complementary information，让预测更准确
   

• 来分别解决之前工作的问题：

1. 都需要 sufficient amount of annotated data，but annotated data are all captured in limited scenes.
   
2. 实验中作者发现之前的算法 ne-
   

Methods

• Multi-task CNN
  一个多任务模型，同时完成三个任务：shadow edge, region, count，相当于增加额外的supervision（from both global and detail views），让预测更准确。
  

• Multi-task mean teacher network
  这个是整体架构，把上面的MT-CNN塞到这里面。
  
  labelled data放进student net，与groundtruth对比计算出classification CE loss。

  unlabelled data 放进student net，加noise放进teacher net，把teacher net的结果当成是label来用。计算consistency loss来让student & teacher的结果匹配。加 noise可以实现regularisation。用loss来更新student的参数，然后，teacher的参数更新为student参数的exponential moving average。
  
  这种semi-supervised learning的方法来源于Neurips2017 Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results. (没太看懂，还需要再仔细看下mean teacher的原理。)

Results

3个数据集。