CLUDA: 対照的学習を用いた教師なしドメイン適応における意味分割

本研究において、私たちはクラスタ（CLUDA）を提案します。これは、教師ネットワークによってターゲットドメインから生成された疑似ラベルを用いて、セマンティックセグメンテーションのための非監督ドメイン適応（UDA）を行う新しい方法です。具体的には、エンコーダからマルチレベル融合特徴マップを抽出し、ソースとターゲットの画像ミキシングを通じて異なるクラスおよび異なるドメイン間でコントラスティブ損失を適用します。私たちは、様々な特徴エンコーダアーキテクチャや異なるドメイン適応データセットにおいて、セマンティックセグメンテーションの性能を一貫して向上させています。さらに、最先端の多解像度学習手法における性能向上のために学習済み重み付きコントラスティブ損失を導入しています。GTA → Cityscapes (74.4 mIOU, +0.6) および Synthia → Cityscapes (67.2 mIOU, +1.4) データセットにおいて、クラスタは最先端の結果を達成しました。CLUDAは効果的にコントラスティブ学習がUDAにおける一般的な手法であることを示しており、既存のUDAに簡単に統合することができます。実装に関する詳細は補足資料をご参照ください。注：「クラスタ」は「CLUDA」の音訳であり、「CLUsterial Domain Adaptation」の略称です。