デリベレーテッド ドメイン ブリッジングによるドメイン適応型セマンティックセグメンテーション

非監督ドメイン適応（Unsupervised Domain Adaptation: UDA）において、ソースドメインからターゲットドメインへ直接的に適応することは、通常大きな不一致を引き起こし、十分なアライメントが得られません。そのため、多くのUDAの研究では、さまざまな中間空間を通じて段階的かつ穏やかにドメインギャップを解消することを目指しており、これをドメインブリッジング（Domain Bridging: DB）と呼びます。しかし、ドメイン適応セマンティックセグメンテーション（Domain Adaptive Semantic Segmentation: DASS）などの密集予測タスクについては、既存の解決策は大まかなスタイル転送に頼っており、エレガントなドメインブリッジングの方法はまだ十分に探究されていません。本研究では、データミキシングを利用してDASSのための慎重なドメインブリッジング（Deliberated Domain Bridging: DDB）を確立します。これにより、ソースドメインとターゲットドメインの同時分布が中間空間でアライメントされ、相互作用します。DDBの中心には、粗いデータミキシング技術と細かいデータミキシング技術を使用して2つの中間ドメインを生成するデュアルパス・ドメインブリッジングステップがあります。さらに、生成された中間サンプルで訓練された2つの補完的なモデルを「教師」として用いて、「学生」モデルをマルチ教師ディスティレーション方式で開発するクロスパス知識ディスティレーションステップも含まれています。これらの2つの最適化ステップは交互に行われ、互いに強化しあって強力な適応能力を持つDDBを実現します。異なる設定での適応セグメンテーションタスクに関する広範な実験結果から、提案したDDBが最先端の手法を大幅に上回ることが示されています。コードは以下のURLから入手可能です：https://github.com/xiaoachen98/DDB.git。