학습을 통한 의미 분할을 위한 구조화된 출력 공간의 적응

픽셀 수준의 지상 진실을 사용한 감독에 의존하는 컨볼루션 신경망 기반의 의미 분할 접근 방식은 미지의 이미지 영역으로 일반화하기 어려울 수 있습니다. 라벨링 과정이 번거롭고 노동 집약적이기 때문에, 소스 지상 진실 라벨을 대상 영역에 적응시키는 알고리즘 개발은 큰 관심사입니다. 본 논문에서는 의미 분할 맥락에서 영역 적응을 위한 적대적 학습 방법을 제안합니다. 의미 분할을 소스와 대상 영역 간의 공간적 유사성을 포함하는 구조화된 출력으로 간주하여, 출력 공간에서 적대적 학습을 채택하였습니다. 또한 적응된 모델을 더욱 향상시키기 위해, 다양한 특징 수준에서 효과적으로 출력 공간 영역 적응을 수행할 수 있는 다중 수준의 적대적 네트워크를 구성하였습니다. 합성-실제 및 도시 간 시나리오를 포함한 다양한 영역 적응 설정 하에서 광범위한 실험과 축소 연구가 수행되었습니다. 제안된 방법이 정확도와 시각적 품질 면에서 최신 방법들에 비해 우수한 성능을 보임을 입증하였습니다.