摘要：

        CC-Net 从互补信息的角度有效利用了无标记数据，解决了现有半监督分割算法从无标记数据中提取信息能力有限的问题。CC-Net 的互补对称结构包括一个主模式和两个辅助模式。互补一致性是由主模型和辅助模型之间的模型级扰动形成的，从而加强了它们之间的一致性。两个辅助模型获得的互补信息有助于主模型有效地关注模糊区域，而模型之间的强制一致性则有助于获得低不确定性的决策边界。CCNet 已在两个公共数据集中得到验证。在特定比例的注释数据下，与当前最先进的算法相比，CC-Net 在半监督分割方面表现最佳。

1. Introduction

        本文认为，准确的分割是通过将高级语义信息与高分辨率细节信息相结合来实现的。更多地关注高级语义信息意味着扩大确定性分割区域的边界，即降低假阴性率。更多关注高分辨率细节信息意味着减少正确分割边界的不确定性，即提高真阳性率。能否对模型进行调整，使其更多地关注高级语义信息或更多地关注高分辨率细节信息，从而获得具有丰富可学习信息的概率图？跳转连接在 V-Net 中发挥着重要作用，有助于恢复上采样时编码过程中丢失的高分辨率细节信息。互补 A 和互补 B 是通过改变 V-Net 解码器的某一层是否使用跳转连接而得到的。图 1 比较了使用互补 A、互补 B 和 V-Net 对 10%的标注数据进行训练后在洛杉矶数据集上的分割结果。补全 A 放弃了一些高分辨率的细节信息，而更注重高层次的语义信息。图 1(c) 的第二行显示，补全 A 在具有挑战性的分支区域（图中箭头所示）具有更宽的分割边界。图 1(c)的第三行清楚地表明