17日前

MetaCorrection:ドメイン認識型メタ損失補正によるセマンティックセグメンテーションにおける教師なしドメイン適応

Xiaoqing Guo, Chen Yang, Baopu Li, Yixuan Yuan
MetaCorrection:ドメイン認識型メタ損失補正によるセマンティックセグメンテーションにおける教師なしドメイン適応
要約

教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ラベル付きのソースドメインからラベルなしのターゲットドメインへ知識を転送することを目的としている。既存の自己学習に基づくUDA手法は、ターゲットデータに対して擬似ラベルを付与し、それを真のラベルとして扱うことで、ラベルなしのターゲットデータを効果的に活用しモデルの適応を図っている。しかし、ソースドメイン上で最適化されたモデルから生成される擬似ラベルは、ドメインギャップの影響により必然的にノイズを含む。この問題に対処するため、本研究では「MetaCorrection」フレームワークを提案する。このフレームワークでは、ドメインに依存するメタ学習戦略を用いて、損失補正(Domain-aware Meta-learning for Loss Correction, DMLC)を実現し、UDAにおけるセマンティックセグメンテーションの性能を向上させる。特に、ターゲットドメインにおける擬似ラベルのノイズ分布をモデリングするため、ノイズ遷移行列(Noise Transition Matrix, NTM)を導入し、ドメイン不変なソースデータを用いてメタデータセットを構築することで、NTMの推定をガイドする。このメタデータセット上でリスク最小化を実施することで、最適化されたNTMは擬似ラベル内のノイズを補正し、ターゲットデータに対するモデルの汎化能力を向上させる。また、浅層特徴と深層特徴間の表現能力のギャップに着目し、提案するDMLC戦略を用いて、異なるレベルの特徴に対して適合性と互換性のある教師信号を提供することで、深層的な適応を実現する。広範な実験結果から、本手法が3つのベンチマークにおいて、既存の最先端手法を上回る有効性を示している。