適応のための分解：特徴の分離を用いたクロスドメインオブジェクト検出

近年、教師なしドメイン適応（UDA）技術の進展により、ドメイン間のコンピュータビジョンタスクにおいて大きな成果が得られており、ドメイン分布の乖離を埋める手法として、データ駆動型の深層学習アーキテクチャの一般化能力が向上している。UDAに基づくドメイン間物体検出手法の多くは、敵対学習戦略を用いてドメイン不変特徴の生成を促進することで、ドメインバイアスを軽減している。しかし、敵対学習プロセスの不安定さにより、これらの手法におけるドメイン識別器の分類能力に限界があり、導出される特徴は完全にドメイン不変とはならず、依然としてドメイン固有の要因を含んでいる。その結果、ドメイン間の差異をさらに緩和する上で障壁が生じている。この問題に対処するため、本研究では物体検出タスクの学習において、ソースドメイン特有の情報を特徴から排除する「ドメイン分離Fast R-CNN（DDF）」を提案する。本DDF手法は、グローバル段階とローカル段階の両方で特徴の分離を促進する設計となっており、それぞれグローバル三重ペア分離（GTD）モジュールとインスタンス類似度分離（ISD）モジュールを採用している。4つのベンチマークUDA物体検出タスクにおいて、最先端手法を上回る性能を達成したことで、本DDF手法の有効性と広範な適用可能性が実証された。