깊은 영역 혼동: 영역 불변성 최대화

최근 보고서에 따르면, 대규모 데이터셋에서 훈련된 일반적인 감독형 딥 CNN 모델은 표준 벤치마크에서 데이터셋 편향을 줄이지만 완전히 제거하지는 않는다고 합니다. 새로운 영역에서 딥 모델을 미세 조정(fine-tuning)하는 것은 많은 양의 데이터를 필요로 하며, 이는 많은 응용 분야에서 단순히 사용할 수 없는 경우가 많습니다. 우리는 의미론적으로 유의미하고 영역 간 불변인 표현을 학습하기 위해 적응층(adaptation layer)과 추가적인 영역 혼동 손실(domain confusion loss)을 도입한 새로운 CNN 아키텍처를 제안합니다. 또한, 영역 혼동 지표(domain confusion metric)를 모델 선택에 활용하여 적응층의 차원과 CNN 아키텍처 내에서 적응층의 최적 위치를 결정할 수 있음을 보여줍니다. 우리가 제안하는 적응 방법은 표준 벤치마크 시각적 영역 적응 작업에서 이전에 발표된 결과를 초월하는 실증적 성능을 제공합니다.