粗粒度から細粒度へのアライメントを用いた深度ガイド付きセマンティックセグメンテーションのための新規非教師ありドメイン適応手法

機械学習におけるドメイン適応手法は、ソースデータとターゲットデータの表現を統合することで、ドメインシフト問題に対処する。本論文では、色空間におけるフーリエ変換を活用してスタイル変換の品質を向上させるとともに、複数の教師モデルが異なる自己学習ラウンドで得た結果を統合して疑似ラベルを生成する新たなセマンティックセグメンテーション向けドメイン適応手法を提案する。さらに、クラスレベルの adversarial 学習を適用することで、両ドメイン間のより細粒度な表現統合を実現し、深度推定モデルとのラテント融合を導入してセグメンテーションの出力精度を向上させている。実験の結果、既存の最先端手法と比較して、本手法は精度面で優れた性能を示した。