DACS：クロスドメイン混合サンプリングを用いたドメイン適応

畳み込みニューラルネットワークに基づくセマンティックセグメンテーションモデルは、近年、多数の応用分野において顕著な性能を示している。しかし、これらのモデルは新しいドメインに適用される際、特に合成データから実データへの移行において、一般化能力が十分でない傾向がある。本論文では、教師ありデータが利用可能な1つのドメイン（ソースドメイン）で学習を行い、同時に注目しているドメイン（ターゲットドメイン）のラベルなしデータからも学習を進める、非教師ありドメイン適応（Unsupervised Domain Adaptation: UDA）の問題に取り組む。従来の手法は、ラベルなし画像に対して生成された擬似ラベル（pseudo-labels）を用いた学習によって成功を収めてきた。ドメインシフトに起因する低品質な擬似ラベルを緩和するため、さまざまな技術が提案されてきたが、その効果は一貫して高いとは言えない。本研究では、ドメイン間混合サンプリング（Cross-domain mixed Sampling）を用いたドメイン適応手法である「DACS」を提案する。DACSは、2つのドメイン（ソースとターゲット）の画像および対応するラベルと擬似ラベルを混合し、その混合サンプルをラベル付きデータとともに学習に用いる。本手法の有効性を、UDAにおける代表的な合成データから実データへのベンチマークであるGTA5からCityscapesへの移行において、最先端の性能を達成することで実証した。