改进半监督学习中的FixMatch,可以作为baseline的一个有趣的A+B工作
解决的问题：半监督语义分割
insight：半监督语义分割的经典方法FixMatch本身就具有相当好的结果
对其消融发现，强扰动尤为重要
过去的方法：仅仅在输入强扰动
我们的做法：FixMatch只在输入空间（图像）**上进行了强扰动，因此我们提出进一步去扩展FixMatch的扰动空间，增加了一个训练分支来进行**特征空间上的强扰动
和过去方法的独特之处：
-
“也有一些工作如PS-MT同时进行了图像和特征上的强扰动，然而他们将这些强扰动施加在了同一个分支中，导致学习的难度过大；而我们将不同性质的强扰动分离到不同的分支分别进行学习“
-
相比于一些特征扰动的工作如VAT，我们的特征Dropout策略更简单有效。
具体做法：针对无标签图像，UniMatch一共包括四个前向传播分支，其中有一个“干净”的分支来产生伪标签、一个特征层面的强扰动分支（作用于 x**w 的特征上），以及两个图像层面的强扰动分支（无特征扰动）。其中后三个分支用于网络的训练（此图中我们省略了有标签图像的训练分支）。
Overall：多分支扰动[SWAV ReMixMatch]和特征空间扰动[PS-MAT]