軽量型キャリブレータ：教師なしドメイン適応のための分離可能コンポーネント

従来のドメイン適応手法は、複数のドメイン間で一般化可能な特徴を学習することを目的としている。これらの手法は一般的に、ターゲットドメインに適応するためのソース分類器の更新を必要とし、ソースドメインとターゲットドメインの間のトレードオフを適切に扱わないという問題がある。本研究では、ターゲットドメインに適応する分類器を学習するのではなく、固定されたソース分類器がターゲットドメインにおいて識別力を回復するのを支援する分離可能構成要素である「データキャリブレータ」を用いる。これにより、ソースドメインにおける性能を維持しつつ、ターゲットドメインでの性能を回復することが可能となる。ドメイン間の差が小さい場合には、ソース分類器の表現力がターゲットドメインでの良好な性能を達成するのに十分であり、その場合、GANベースの手法を上回る性能を示す。一方、ドメイン間の差が大きい場合には、GANによって生成された合成画像を活用することで性能を向上させ、数字データセットおよびドライビングシーンのセマンティックセグメンテーションにおいて、最先端の性能を達成する。本手法の実証的な分析から、ドメインシフト下での性能低下の一因となる興味深い特徴が存在することが明らかになった。これらの特徴は、ドメイン識別器に対する敵対的攻撃によって緩和可能であることが示された。