ドメインシフトの詳細な検討：意味論的一貫性を保つドメイン適応のためのカテゴリレベルの敵対者

本稿では、意味分割における教師なしドメイン適応の問題を取り扱います。この課題の鍵は、ドメイン間のシフトを軽減すること、つまり、2つのドメインのデータ分布を類似させる点にあります。一般的な戦略として、特徴空間での周辺分布を敵対的学習を通じて揃える方法があります。しかし、この全体的な揃え方の戦略は、局所的なカテゴリレベルの特徴分布を考慮していません。その結果、元々ソースとターゲットでよく揃っていたカテゴリが誤ってマッピングされる可能性があります。これを解決するために、本論文では局所的な意味的一貫性を全体的な揃え方の傾向中に強制するためのカテゴリレベルの敵対ネットワークを導入します。我々のアイデアは、カテゴリレベルのデータ分布に注目し、各クラスを適応的な敵対的損失で揃えることです。具体的には、カテゴリレベルで既に揃っている特徴に対する敵対的損失の重みを減らしながら、あまり揃っていない特徴に対する敵対力を増やすことであります。この過程において、共学習アプローチによりソースとターゲット間で特徴がどの程度カテゴリレベルで揃っているかを決定します。GTA5 → Cityscapes および SYNTHIA → Cityscapes の2つのドメイン適応タスクにおいて、提案手法が最新技術と同等以上のセグメンテーション精度を達成することを検証しました。（注：「GTA5」、「Cityscapes」、「SYNTHIA」は固有名詞であり、そのまま使用しています。）