초록
우리는 라벨이 풍부한 영역에서 라벨이 부족한 영역으로 객체 검출기의 비지도 적응을 위한 접근 방식을 제안합니다. 이 접근 방식은 검출과 관련된 주석 작업 비용을 크게 줄일 수 있습니다. 최근에는 소스 이미지와 대상 이미지의 분포를 적대적 손실을 사용하여 일치시키는 방법들이 객체 분류기의 적응에 효과적임이 입증되었습니다. 그러나 객체 검출의 경우, 전역 이미지 수준에서 소스와 대상 이미지의 전체 분포를 완전히 일치시키는 것은 실패할 가능성이 큽니다. 이는 도메인이 서로 다른 장면 구성과 객체 조합을 가질 수 있기 때문입니다. 반면에, 텍스처와 색상 같은 지역 특징들의 강력한 일치는 범주 수준의 의미론을 변경하지 않으므로 타당합니다. 이를 바탕으로 우리는 강력한 지역 일치와 약한 전역 일치를 기반으로 하는 새로운 검출기 적응 방법을 제안합니다. 우리의 핵심 기여는 전역적으로 유사한 이미지에 초점을 맞추고, 전역적으로 비슷하지 않은 이미지의 일치에 덜 중점을 두는 약한 일치 모델입니다. 또한, 우리는 강력한 도메인 일치 모델을 설계하여 피처 맵의 지역 수용 필드만 고려하도록 하였습니다. 우리는 네 개의 데이터셋(큰 도메인 차이와 작은 도메인 차이가 모두 포함됨)에서 우리 방법의 효과성을 경험적으로 확인하였습니다. 우리의 코드는 \url{https://github.com/VisionLearningGroup/DA_Detection}에서 이용할 수 있습니다.