Task Decomposition and Synchronization for Semantic Biomedical Image Segmentation （TDSNET）

这是一篇分类分割联合进行的视杯视盘分割代码 为了更好的利用任务之间的信息，将一个分割任务分解为了三个。在三个数据集上运行了代码任务。（因为自己做眼底，所以主要介绍REFUGE18这个数据集的任务细节）

首先介绍了虽然三类数据集在图像方面表现出来的形式比较多样化，但是在实际中医生对他们都共享同一种处理方式！

以眼底图像为例：临床医生首先判断是具有青光眼的病人，还是健康人，然后判断是否有视杯视盘，然后分割。一般情况下，只有将多层次任务和表示结合起来考虑，才能准确地进行人工专家分割。

1. 第一个贡献：任务分解

文中将分割任务分解为三个子任务，即确定(1)图像单个像素的语义分割标签，(2)图像中被检测对象的实例类标签，(3)整个图像所反映的场景标签。以往的模型仅收到像素分割的损失监督，这篇文章的贡献是结合多个任务进行监督。

2. 第二个贡献：同步正则化，寻找潜在的共同空间

利用不同任务之间的关联性进行一个监督，比如分类中判断这是一个猫，如果分割中说这是狗那就不行的。

[语义分割与实例分割之间的区别]

3. 第三个贡献：为不同场景实现了语义分割（应该就是说的应用到了三个数据集吧）

overview:

大概就是共享同一个特征提取的过程，然后进行三个任务的分解。