2달 전
Domain Shift에 대한 깊이 있는 연구: 의미 일관성 있는 도메인 적응을 위한 카테고리 수준의 적대적 방법
Yawei Luo; Liang Zheng; Tao Guan; Junqing Yu; Yi Yang

초록
우리는 의미 분할에서 감독되지 않은 도메인 적응 문제를 고려합니다. 이 캠페인의 핵심은 도메인 간의 차이를 줄이는 것이며, 즉 두 도메인의 데이터 분포를 유사하게 만드는 것입니다. 인기 있는 전략 중 하나는 적대적 학습을 통해 특징 공간에서 주변 분포를 일치시키는 것입니다. 그러나 이 전역 일치 전략은 로컬 범주 수준의 특징 분포를 고려하지 않습니다. 전역 이동의 가능한 결과로, 소스와 타겟 사이에서 원래 잘 일치되었던 일부 범주가 잘못 매핑될 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 로컬 의미 일관성을 전역 일치 과정에서 강제하는 범주 수준의 적대적 네트워크를 소개합니다. 우리의 아이디어는 범주 수준의 데이터 분포에 집중하여 각 클래스를 적응형 적대적 손실을 통해 일치시키는 것입니다. 구체적으로, 우리는 범주 수준으로 잘 일치된 특징에 대한 적대적 손실의 가중치를 줄이면서, 불충분히 일치된 특징에 대한 적대력을 증가시킵니다. 이 과정에서, 공학적 접근법(co-training approach)을 통해 소스와 타겟 사이에서 특징이 얼마나 잘 범주 수준으로 일치되는지를 결정합니다. GTA5 → Cityscapes 및 SYNTHIA → Cityscapes 두 개의 도메인 적응 작업에서 제안된 방법이 분할 정확도 면에서 최신 기술과 맞먹는다는 것을 검증하였습니다.