ELDA: エッジを用いてUDAに基づく意味分割に優位性をもたらす

多くの無教師ドメイン適応（UDA）手法が、ドメイン間のギャップをドメイン不変情報を利用して埋めるために提案されてきました。これらの手法の多くは深さ情報を用いており、著しい成功を収めています。しかし、その有効性にもかかわらず、UDAタスクにおいて深さ情報をドメイン不変情報として使用することは、抽出コストの過度な高騰や信頼性のある予測品質の達成における困難などの複数の問題を引き起こす可能性があります。そこで、本研究ではエッジ学習に基づくドメイン適応（ELDA）というフレームワークを導入します。このフレームワークは訓練プロセスにエッジ情報を組み込むことで、一種のドメイン不変情報を提供します。実験では、エッジ情報の組み込みが実際に有益かつ効果的であることを定量的におよび定性的に示し、ELDAがセマンティックセグメンテーションに基づくUDAタスクで一般的に採用されている2つのベンチマークにおいて最新の最先端手法を上回ることを確認しました。さらに、ELDAが異なるクラスの特徴分布をより良好に分離できることが示されました。最後に、アブレーション分析を通じて設計決定の正当性を説明しています。科技/学术术语处理：- 無教師ドメイン適応 (Unsupervised Domain Adaptation, UDA)- ドメイン間のギャップ (domain gap)- ドメイン不変情報 (domain invariant information)- エッジ学習に基づくドメイン適応 (Edge Learning based Domain Adaptation, ELDA)- セマンティックセグメンテーション (semantic segmentation)- ベンチマーク (benchmark)- アブレーション分析 (ablation analysis)