マルチソースドメイン適応による協調学習を用いたセマンティックセグメンテーション

マルチソース非教師付きドメイン適応（MSDA）は、複数のラベル付きソースドメインで学習されたモデルをラベルなしのターゲットドメインに適応することを目的としています。本論文では、セマンティックセグメンテーションを対象とした協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案します。まず、ピクセル値の分布を一致させるために簡単な画像変換手法を導入し、ソースドメインとターゲットドメイン間の差異を一定程度軽減します。次に、ターゲットドメインのデータを一切観測せずに、複数のソースドメイン間の本質的なセマンティック情報を効果的に活用できるよう、新たな協調学習手法を提案します。さらに、非教師付きドメイン適応の設定と同様に、ラベルなしのターゲットドメインデータを活用して、ドメイン適応の性能をさらに向上させます。これは、アンサンブルモデルによってオンラインで生成された疑似ラベルを用いて、複数の適応モデルの出力を追加制約することで実現されます。本手法は、セマンティックセグメンテーションで広く用いられるドメイン適応ベンチマークデータセットを対象に、多数の実験およびアブレーションスタディを実施しました。特に、ラベル付きのSynscapesおよびGTA5データセットと、ラベルなしのCityscapes学習データセットを用いて学習した場合、Cityscapesの検証セットにおいて59.0%のmIoUを達成し、従来のすべての単一ソースおよびマルチソース非教師付きドメイン適応手法を顕著に上回りました。