ドロップ to Adapt：教師なしドメイン適応のための特徴の判別力向上学習

最近のドメイン適応に関する研究では、特徴抽出ネットワークとドメイン識別ネットワークの共同学習を通じて、敵対的学習を活用し、ドメイン不変な特徴表現を獲得する手法が用いられている。しかしながら、ドメイン敵対的手法は、タスクの内容を考慮せずにドメイン間の分布を一致させようとするため、最適な性能を発揮できない場合がある。本研究では、クラスタ仮説を強制することで、強力な識別的特徴を学習するため、敵対的ドロップアウトを活用する「Drop to Adapt（DTA）」を提案する。これにより、堅牢なドメイン適応を実現するための目的関数を設計した。提案手法の有効性は、画像分類およびセマンティックセグメンテーションの多様な実験において確認され、一貫した性能向上が達成された。本研究のソースコードは、https://github.com/postBG/DTA.pytorch にて公開されている。