マルチソースドメイン適応によるセマンティックセグメンテーション

セマンティックセグメンテーションにおけるシミュレーションから現実へのドメイン適応は、自動運転をはじめとする多様な応用分野で活発に研究されている。従来の手法は主に単一のソース設定に焦点を当てており、分布が異なる複数のソースを扱うより現実的なシナリオには対応しづらい。本論文では、セマンティックセグメンテーションにおけるマルチソースドメイン適応の検討を提案する。具体的には、エンドツーエンドで学習可能な新しいフレームワーク、マルチソースアドバーシャルドメイン集約ネットワーク（Multi-source Adversarial Domain Aggregation Network, MADAN）を設計した。まず、各ソースに対して動的セマンティック一貫性を保ちつつ、ターゲットドメインに向けてピクセルレベルで循環的整合性を確保するように適応ドメインを生成する。次に、異なる適応ドメインがより緊密に集約されるよう、サブドメイン集約ディスクリミネータとクロスドメイン循環ディスクリミネータを提案する。最後に、セグメンテーションネットワークの学習と並行して、集約ドメインとターゲットドメイン間の特徴レベルでの整合を実現する。合成データ（GTA、SYNTHIA）から実データ（Cityscapes、BDDS）への広範な実験により、提案するMADANモデルが最先端手法を上回ることを示した。本研究のソースコードは以下のURLで公開されている：https://github.com/Luodian/MADAN。