構造化出力のドメイン適応を差別的パッチ表現を用いて行う

構造化出力の予測、例えば意味分割は、教師ありモデル（畳み込みニューラルネットワークなど）を学習するために高価なピクセル単位のアノテーションに依存しています。しかし、あるデータドメインで訓練されたモデルは、他のドメインに適応するためのアノテーションなしでは十分な汎化性能を示さないことがあります。アノテーション作成という労働集約的なプロセスを避けるために、私たちはソースデータをラベルのないターゲットドメインに適応させるドメイン適応手法を開発しました。本研究では、クラスタ空間の構築を通じてパッチごとの出力分布の複数モードを発見することにより、ソースドメイン内のパッチの判別的特徴表現を学習することを提案します。このような表現をガイドとして、対立的学習スキームを使用して、クラスタ空間内のターゲットパッチの特徴表現をソースパッチの分布に近づけます。さらに、私たちのフレームワークが既存のドメイン適応技術と補完的であり、意味分割において一貫した改善が得られることも示しています。合成から実際のものへの変換や異なる都市間でのシナリオなど、様々な設定下での多数のベンチマークデータセットにおいて広範なアブレーション実験と結果が示されています。