최대 분류기 차이를 이용한 비지도 도메인 적응

본 연구에서는 지도 학습이 없는 영역 적응 방법을 제시합니다. 많은 적대적 학습 방법들은 소스 또는 대상으로 특징을 구분하기 위해 영역 분류기 네트워크를 훈련시키고, 판별기를 모방하도록 특징 생성기 네트워크를 훈련시킵니다. 이러한 방법에는 두 가지 문제가 있습니다. 첫째, 영역 분류기는 특징을 단순히 소스 또는 대상으로 구분하려는 시도만 하므로 클래스 간의 작업 특정 결정 경계를 고려하지 않습니다. 따라서 훈련된 생성기는 클래스 경계 근처에서 애매한 특징을 생성할 수 있습니다. 둘째, 이러한 방법들은 서로 다른 영역 간의 특징 분포를 완전히 일치시키는 것을 목표로 하지만, 각 영역의 고유한 특성 때문에 이는 어렵습니다.이러한 문제들을 해결하기 위해 우리는 작업 특정 결정 경계를 활용하여 소스와 대상의 분포를 정렬하는 새로운 접근 방식을 소개합니다. 두 개의 분류기 출력 사이의 차이를 최대화하여 소스의 지원 범위에서 멀리 떨어진 대상 샘플을 감지하는 것을 제안합니다. 특징 생성기는 차이를 최소화하기 위해 소스의 지원 범위 근처에서 대상 특징을 생성하도록 학습됩니다. 본 방법은 이미지 분류 및 의미 세그멘테이션 데이터셋 여러 개에서 다른 방법들보다 우수한 성능을 보입니다. 코드는 \url{https://github.com/mil-tokyo/MCD_DA}에서 확인할 수 있습니다.