要約
ラベル付き学習データとラベルなしテストデータとの間の分布差は、近年の深層学習モデルにとって大きな課題である。無監督ドメイン適応（Unsupervised Domain Adaptation, UDA）は、このような問題を解決することを目的としている。最近の研究では、自己学習（self-training）がUDAにおいて強力なアプローチであることが示されている。しかし、従来の手法はスケーラビリティと性能のバランスを取ることが困難である。本論文では、セマンティックセグメンテーションタスクにおけるUDAに対して、インスタンス適応型自己学習フレームワークを提案する。偽ラベルの品質を効果的に向上させるために、インスタンス適応選択器を備えた新しい偽ラベル生成戦略を開発した。さらに、領域ガイド付き正則化（region-guided regularization）を提案し、偽ラベル領域を滑らかにし、非偽ラベル領域を明確にすることで、予測の信頼性を向上させた。本手法は構成が簡潔かつ効率的であるため、他の無監督ドメイン適応手法への一般化も容易である。GTA5からCityscapes、SYNTHIAからCityscapesという2つの設定において実験を行い、最先端手法と比較して本手法が優れた性能を発揮することを確認した。