TL;DR本文介绍了如何将 Mean Teacher 泛化到分割任务，并表明该方法可以在公开数据集中显着提高分割性能，同时解决了传统数据增强策略在分割任务中出现的问题。
Abstract
Recently proposed techniques for semi-supervised learning such as Temporal
Ensembling and mean teacher have achieved state-of-the-art results in many
important classification benchmarks. In this work, we expand t
本文提出了一种简单而高效的竞争集成教师学生框架，用于从 3D MR 图像中半监督地分割左心房，通过利用无标记数据并提供可靠信息给教师模型，以实现不同学生模型之间的协作学习并达到更好的性能。通过在公开 Left Atrium（LA）数据集上评估，我们的方法在有效利用无标记数据方面取得了显著的性能提升，并优于几种现有的半监督方法。
本文中，我们使用新的 mean-teacher 模型扩展和更严格的 confidence-weighted cross-entropy loss 解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的 SOTA 方法在该领域实现了显着的改进。