FREDOM：意味のあるシーン理解における公平性ドメイン適応アプローチ

近年、意味的シーンセグメンテーションにおけるドメイン適応（Domain Adaptation）は著しい進展を遂げているが、ドメイン適応における公平性（fairness）に関する懸念はまだ明確に定義されておらず、適切に対応されていない状況である。さらに、自動運転などの人間関連の実世界応用にセグメンテーションモデルを展開する際、公平性は最も重要な要素の一つである。なぜなら、いかなる不公平な予測も人間の安全に影響を及ぼす可能性があるからである。本論文では、意味的シーンセグメンテーションを対象に、新たな公平性ドメイン適応（Fairness Domain Adaptation, FREDOM）手法を提案する。具体的には、提案された公平性目的関数に基づき、クラス分布に対する公平な扱いを実現する新たな適応フレームワークを構築する。また、構造的依存関係の文脈を一般化してモデル化するため、予測されたセグメンテーションの整合性を強制する新しい条件付き構造制約を導入している。本研究で提案する条件付き構造ネットワークにより、自己注意機構（self-attention mechanism）がセグメンテーションの構造情報を十分に捉えることが可能となった。消去実験（ablation studies）の結果、提案手法はセグメンテーションモデルの性能向上を実現するとともに、モデル予測における公平性の向上を達成した。標準ベンチマークとして広く用いられるSYNTHIA→CityscapesおよびGTA5→Cityscapesの二つの実験環境において、本手法は最先端（State-of-the-Art, SOTA）の性能を達成した。