다중 구성 요소 이미지 변환을 이용한 깊은 영역 일반화

도메인 적응(DA)과 도메인 일반화(DG)는 라벨이 없는 데이터 세트에 라벨을 할당하는 작업에 관심을 가지고 있는 두 가지 밀접하게 관련된 방법입니다. 이 접근 방식들 사이의 유일한 차이점은 DA가 훈련 단계에서 대상 데이터에 접근할 수 있지만, DG에서는 훈련 단계에서 대상 데이터가 완전히 보이지 않는다는 것입니다. DG의 작업은 대상 샘플에 대한 사전 지식이 전혀 없기 때문에 어려운 문제입니다. DA 방법을 단순히 훈련에서 대상 데이터를 제외하여 DG에 직접 적용하면 주어진 작업에서 성능이 저하될 것입니다. 본 논문에서는 두 가지 방법으로 도메인 일반화의 도전 과제를 해결합니다. 첫 번째 접근 방식에서는 생성적 적대 네트워크(GAN)로 생성된 합성 데이터를 활용한 새로운 딥 도메인 일반화 아키텍처를 제안합니다. 생성된 이미지와 합성 이미지 간의 차이는 최대 평균 차이(maximum mean discrepancy)나 상관 정렬(correlation alignment) 등의 기존 도메인 차이 메트릭을 사용하여 최소화됩니다. 두 번째 접근 방식에서는 훈련 단계에서 대상 데이터를 제외하고, 소스 데이터를 훈련 및 검증 부분으로 나누며, 검증 데이터를 DA의 대상 데이터로 취급하는 프로토콜을 소개합니다. 우리는 4개의 크로스-도메인 벤치마크 데이터셋에서 광범위한 실험을 수행했습니다. 실험 결과는 제안된 모델이 DG 분야에서 현재 최신 방법들을 능가함을 나타냅니다.