多目標ドメイン適応と協調的一貫性学習

最近、実世界の画像に対するピクセルレベルのアノテーションの高コストにより、セマンティックセグメンテーションタスクにおける無監督ドメイン適応がますます注目を集めています。しかし、ほとんどのドメイン適応手法は単一ソース-単一ターゲットペアに限定されており、複数のターゲットドメインへ直接拡張することはできません。本研究では、無監督マルチターゲットドメイン適応を達成するための協調学習フレームワークを提案します。まず、各ソース-ターゲットペアに対して無監督ドメイン適応専門モデルを訓練し、異なるターゲットドメイン間で橋を架けることで各モデルが互いに協調することを促進します。これらの専門モデルは、同じ構造的なコンテキストを持つ各サンプルについて一貫したピクセルレベルの予測を行う正則化を追加することでさらに改善されます。複数のターゲットドメインで動作する単一モデルを得るためには、学生モデルを同時に学習することを提案します。この学生モデルは、対応するターゲットドメインでの各専門モデルの出力を模倣するだけでなく、重みに対する正則化を通じて異なる専門モデル同士が近づくように訓練されます。広範な実験結果から、提案手法がラベル付きソースドメインと複数の非ラベル付きターゲットドメインに含まれる豊富な構造情報を効果的に活用できることを示しています。本手法は複数のターゲットドメインにおいて優れた性能を発揮するとともに、単一ソース-単一ターゲットペアに対して特別に訓練された最先端の無監督ドメイン適応手法と比較しても有利な結果となっています。