半监督生成对抗网络（gan）在分类和检测任务上的流程

半监督：
半监督学习是指监督学习与无监督学习的结合，是在含有少量被标记数据的情况下,利用大量未标记图像进行无监督学习从而改善监督学习的性能。

半监督GAN用于分类的步骤：
将GAN中判别器的输出层替换成softmax分类器，假设训练数据有C类，则softmax输出C+1类，多一个生成器生成的伪图像的概率。由于判断真伪图像的任务是无监督的，因此我们可以利用到大量的未标注样本来进行训练。
训练时将未标注图像和标注图像都送入GAN中，生成器用于生成伪图像，判别器用于判别送入其中的是伪图像还是具体某一个类别的真图像。
检测时直接使用判别器作为分类器对每个图片进行判断类别。
通过这种半监督抗训练方式，模型可以从未标志数据中心进行学习，因此可以更好的划分各类别的分类决策面，从而得到更准确泛化能力更强的分类器。

另一种做法（偏早期，目前不怎么使用）：
首先利用无标签数据对GAN模型进行训练，让GAN的判别器和生成器在对抗训练的过程中逐步的提升性能。然后再使用少量标注样本对判别器进行微调。最后训练好的判别器就是最终的分类器。这种做法类似于迁移学习的做法：预训练参数然后微调。

半监督GAN用于检测的步骤：
训练步骤：
先利用标注的样本训练检测模型，然后使用检测模型检测未标注图像得到的结果图作为未标注样本。正样本就是标注样本，负样本是训练时从训练结果中抽出来的。将未标注样本、正样本、负样本送入GAN中，让GAN的判别器判断正样本、负样本和生成器生成的假样本三种类别，然后让生成器和判别器进行对抗训练，逐步提升判别器的分类能力。
检测步骤：
将待检测的图片送入训练好的检测网络中进行检测，然后将检测出来的结果框对应的部分图片送入到GAN的判别器中进一步筛选，从而得到更准确的结果。