ドメインギャップの縮小におけるスタイルバイアスの低減

畳み込みニューラルネットワーク（CNNs）は、新しいテストドメインに直面した際に性能を維持できないことが多く、これをドメインシフトの問題と呼びます。最近の研究では、この問題の主な原因の一つが、CNNsがドメイン変化に対して敏感な画像スタイル（すなわちテクスチャ）よりもコンテンツ（すなわち形状）に偏った強い帰納的バイアスを持っていることであると指摘されています。この知見に基づいて、私たちはCNNsの内在的なスタイルバイアスを低減し、ドメイン間のギャップを縮める方法を提案します。私たちのスタイル無関係ネットワーク（SagNets）は、スタイルエンコーディングをクラスカテゴリから分離することで、スタイルバイアスによる予測を防ぎ、よりコンテンツに焦点を当てるように設計されています。広範囲な実験結果は、私たちの手法が効果的にスタイルバイアスを低減し、ドメインシフト下でのモデルの堅牢性を向上させることを示しています。複数のデータセットにおけるクロスドメインタスク（ドメイン一般化、非監督ドメイン適応、半教師ありドメイン適応など）において、本手法は顕著な性能向上を達成しています。