야생 환경에서의 객체 검출을 위한 도메인 적응형 Faster R-CNN

물체 검출은 일반적으로 학습 데이터와 테스트 데이터가 동일한 분포에서 추출된다고 가정하지만, 실제로는 항상 그러하지 않습니다. 이러한 분포의 불일치는 성능 저하를 초래할 수 있습니다. 본 연구에서는 물체 검출의 크로스-도메인 강건성을 개선하는 것을 목표로 합니다. 우리는 도메인 시프트를 두 가지 수준에서 다룹니다: 1) 이미지 수준의 시프트, 예를 들어 이미지 스타일, 조명 등과 2) 인스턴스 수준의 시프트, 예를 들어 물체의 외관, 크기 등을 포함합니다. 우리의 접근 방식은 최신 최고 성능을 보이는 Faster R-CNN 모델을 기반으로 하며, 이미지 수준과 인스턴스 수준에서 도메인 차이를 줄이기 위한 두 가지 도메인 적응 구성 요소를 설계하였습니다. 이 두 가지 도메인 적응 구성 요소는 H-발산(H-divergence) 이론에 기반하여, 적대적 학습 방식으로 도메인 분류기를 학습하여 구현되었습니다. 서로 다른 수준의 도메인 분류기는 일관성 정규화(consistency regularization)를 통해 Faster R-CNN 모델 내에서 도메인 간 변동성이 없는 영역 제안 네트워크(RPN, Region Proposal Network)를 학습하도록 더욱 강화되었습니다. 우리는 Cityscapes, KITTI, SIM10K 등의 여러 데이터셋을 사용하여 새롭게 제안된 접근 방식을 평가하였습니다. 결과는 다양한 도메인 시프트 상황에서 우리 접근 방식의 효과성을 입증하고 있습니다.