要約
最近、自己学習アプローチはドメイン適応型セマンティックセグメンテーションにおける重要な位置を確立しており、ターゲットドメインの擬似ラベルを用いてモデルを学習する手法が広く採用されている。現在の先行研究では、ドメインギャップに起因するノイズの多い擬似ラベルの問題が一定程度軽減されている。しかし、セマンティック分類器の境界付近における誤った擬似ラベルの処理については依然として課題が残っている。本論文では、この問題に対処するため、セマンティックセグメンテーションにおける二段階相互作用型ドメイン適応（Dual-level Interaction for Domain Adaptation, DIDA）を提案する。具体的には、同一ピクセルの異なる増強ビューが、クラス予測（セマンティックレベル）において類似するだけでなく、他のピクセルとの類似性関係（インスタンスレベル）においても類似していることを促進する。すべてのピクセルインスタンスの特徴量をデータセット全体で保持することは現実的ではないため、本手法では情報量の高いインスタンス特徴量を動的更新戦略を用いて選択的に保持するラベル付きインスタンスバンクを導入する。さらに、DIDAは散逸（scattering）と集約（gathering）を用いたクロスレベル相互作用により、より信頼性の高い擬似ラベルを再生成する。実験の結果、特に混乱しやすいクラスや長尾分布を示すクラスにおいて、最先端手法を顕著に上回る性能を達成した。実装コードは以下のURLで公開されている：\href{https://github.com/RainJamesY/DIDA}