CVPR2021 基于多变换特征聚类伪标签的无监督语义分割
PiCIE: Unsupervised Semantic Segmentation Using Invariance and Equivariance in Clustering
一 文章出发点
相比半监督、弱监督减少标签依赖性的论文，无标签语义分割论文相对而言比较少，这篇文章将图像级聚类扩展到像素级聚类。
二 文章核心思想
搞懂文章的核心思想，首先要看下文章的Baseline是什么。文章的Baseline选的是DeepCluster。关于DeepCluster的描述，文章也总结的很到位：
DeepCluster [4]: alternate between clustering using the current feature representation, and use the cluster labels as pseudo-labels to train the feature representation.
翻译过来就是：得到特征后作无监督聚类得到伪标签，然后反过来训练特征网络。
作者在DeepCluster的基础上了，提出对原图像进行变换，然后对变换后图像得到的特征也进行聚类，得到另一组伪标签。然后
核心思想： 同时利用原图像特征聚类得到的伪标签 和 变换图像特征聚类得到的伪标签进行特征训练。
三 文章怎么做
我们来看伪代码。
第一个for循环 就是求特征，然后作K-means 聚类得到 伪标签 和 类中心。
我们主要看第二个for 循环，里面损失函数怎么计算的。
它损失函数主要通过L_clust 这个函数来实现的。
其实这个函数 就是我们熟知的 交叉熵函数，
它的三个参数， z y u, 分别是 特征，标签，各特征中心。
我们知道，交叉熵函数要计算特征在各类上的打分情况，这个特征中心就是用来打分的。根据 z u的相似度来打分。
既然我们知道L_clust就是个交叉熵，我们在来细看 各个L_clust在干啥。
L_within：有两个L_clust，within顾名思义，就是原图像、变换图像各自的伪标签监督自己;
L_cross: 上面两个伪标签 相互监督
以上，其他感兴趣自读
