自己監督を用いた無教師領域内適応によるセマンティックセグメンテーション

畳み込みニューラルネットワーク（CNN）に基づくアプローチは、意味分割分野において顕著な進展を遂げてきた。しかしながら、これらのアプローチは、人的作業を要する大量のラベル付きデータに大きく依存している。この制約に対処するため、グラフィックエンジンから自動的に生成された合成データを用いてセグメンテーションモデルを学習する手法が用いられている。しかし、合成データから学習されたモデルは、実画像への一般化が困難である。この問題に対処するために、従来の研究では、ソースデータからラベルの付与されていないターゲットデータへのモデルの直接適応（ドメイン間ギャップの低減）が検討されている。しかし、こうした手法は、ターゲットデータ自身に存在する大きな分布ギャップ（ドメイン内ギャップ）には着目していない。本研究では、ドメイン間ギャップとドメイン内ギャップの両方を同時に最小化するための2段階自己教師付きドメイン適応手法を提案する。まず、モデルのドメイン間適応を実施し、その結果としてエントロピーに基づくランク関数を用いてターゲットドメインを「容易」な領域と「困難」な領域に分割する。さらに、ドメイン内ギャップを低減するために、容易な領域から困難な領域へ向けて自己教師付き適応手法を適用することを提案する。多数のベンチマークデータセットにおける実験結果から、本手法が既存の最先端手法に対して優れた有効性を示していることが明らかになった。ソースコードは、https://github.com/feipan664/IntraDA.git で公開されている。