# Augmentation Matters: A Simple-yet-Effective Approach to Semi-supervised Semantic Segmentation
CVPR2023
Authors: Zhen Zhao, Lihe Yang, Sifan Long, Jimin Pi, Luping Zhou, Jingdong Wang
## Introduction
作者認為現今對於Semi-supervised的訓練方式採取日益複雜的機制，在帶來顯著成效的同時也造成不小的成本代價，所以作者提出一種簡單有效的方式透過data augmentation提升傳統的teacher-student模型的效能。
一般來說auto augmentations是應用在supervised的訓練當中，其目的性旨在找出最佳策略的augmentation方式，而Semi-supervised只為了產生相同輸入的預測分岐，作者希望可以使auto augmentations更貼合Semi-supervised所需要的方向，他簡化現存的randomAug和設計一款基於強度的高隨機增強方式。
此外作者認為使用一般的threshold篩選可用的unlabeled data可能造成沒被挑選到的data被浪費掉，且為了使信任值較低的unlabeled data不會破壞整個模型訓練效能，本篇論文提出了利用labeled data資訊混和過低信賴值的unlabeled data，在unlabeled data中採取隨機裁剪黏貼的data augmentation可對unlabel的訓練效果顯著提升。
## Contribution
- 打破日益複雜的semi-supervised方法提出基於傳統teacher-student框架得到良好的效能
- 修改auto augmentations使他更貼合SSS的應用，且自適應的注入label data資訊
- 提出一個簡單而有效的strong baseline提供往後SSS的發展

## Random Intensity-based Augmentations

1. 從augmentation pool中隨機sample出k種augmentation取代傳統固定數量的方式
2. augmentation的強度在連續空間中做sample
3. 從pool中移除太過強烈的augmentation
## Adaptive Label-aided CutMix

**計算信心值ρi的方式:**

**區塊混和:**
將unlabeled data重新排列並跟原本序列中的data做比較，信心值小於原本data則跟labeled data部分區塊做CutMix

對unlabeled data之間做隨機裁剪黏貼

## Framwork
**student model:**

Bx為labeled data的batch，Lx以pixel-wise方式做一般的cross entropy

Ag為weak augmentation方式，主要用於teacher模型中
Aa為Adaptive Label-aided CutMix的data augmentation，Ar為Random Intensity-based Augmentations中簡化的RandomAug，T將兩者包在一起用於student模型

Bu為unlabeled data的batch，Lu將teacher預測結果給student做supervised learning

**teacher model:**
將student的知識用EMA方式給teacher