ガイドトレーニングを用いたクロスドメイン混合サンプリングによる適応型セグメンテーションの向上

教師なしドメイン適応（Unsupervised Domain Adaptation: UDA）は、ソースドメインで学習されたモデルをターゲットドメインで良好に動作させるために、追加のアノテーションを必要とせずにモデルを調整することを目指す。特に、密な予測（dense prediction）を扱うドメイン適応型セマンティックセグメンテーションの文脈においては、高コストなピクセル単位のアノテーションを回避することが目的となる。一般的に、現在広く用いられている手法は、ドメイン間混合サンプリング技術を用いて中間ドメインを構築することで、ドメインギャップに起因する性能低下を緩和することに依存している。しかし、こうしたアプローチにより生成される合成データは、現実世界のデータ分布から逸脱しており、モデルが真のターゲットドメイン分布から逸脱する可能性がある。この課題に対処するため、本研究では「ガイダンストレーニング（Guidance Training）」と呼ばれる新たな補助タスクを提案する。このタスクは、ドメイン間混合サンプリング技術を効果的に活用しつつ、現実世界からの分布シフトを抑制することを可能にする。具体的には、ガイダンストレーニングは、混合データからターゲットドメインの特徴分布を抽出・再構成するようにモデルを導く。その後、再構成されたターゲットドメイン特徴をデコードし、擬似ラベル予測を行う。重要な点として、ガイダンストレーニングの導入は最小限の学習負荷で済み、推論時に追加の負荷を課さない。既存手法と統合することで、本手法の有効性を実証した。性能向上は一貫して得られ、実装コードは https://github.com/Wenlve-Zhou/Guidance-Training にて公開される予定である。