要約
意味分割には大量の学習データが必要であり、これには高コストなアノテーションが不可欠である。コンピュータグラフィックスから実画像へのドメイン間で、教師なしドメイン適応（UDA）に関する研究は多数行われてきた。しかし、UDAの性能は、本来のドメインデータに対する教師あり学習と比べて依然として精度に差がある。この差は、ソースドメインとターゲットドメインのデータ間に存在するクラスレベルの不整合に起因すると考えられる。この問題に対処するため、本研究では、ターゲットドメイン内の2つの特徴分布を敵対的学習によって一致させる手法を提案する。この手法は自己学習フレームワークを用い、画像を「信頼できる領域」と「信頼できない領域」の2つの領域に分割し、それらが特徴空間内で一致するように調整する。このアプローチを、異なるドメイン間の分布を一致させる従来の手法（クロスドメイン適応：CDA）と区別するために、クロスリージョン適応（CRA）と呼ぶ。CRAは任意のCDA手法の後に適用可能であり、実験結果から、組み合わせたCDA手法の精度を常に向上させ、最先端の性能を達成したことが確認された。