초록
비지도 도메인 적응(Unsupervised Domain Adaptation, UDA)은 대상 도메인 데이터에 대한 예측을 수행하면서, 수동 주석이 소스 도메인에서만 제공되는 문제를 다룹니다. 기존 방법들은 클래스 정보를 무시하고 도메인 간의 차이를 최소화하려는 접근 방식을 취하여, 이로 인해 오류 정렬(misalignment)과 저조한 일반화 성능이 발생할 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 클래스 내 도메인 차이와 클래스 간 도메인 차이를 명시적으로 모델링하는 새로운 지표를 최적화하는 대조적 적응 네트워크(Contrastive Adaptation Network, CAN)를 제안합니다. 우리는 CAN을 엔드투엔드 방식으로 훈련시키기 위한 교대 업데이트 전략을 설계하였습니다. Office-31 및 VisDA-2017 두 실제 벤치마크에서 수행된 실험 결과, CAN은 최신 방법들과 비교하여 우수한 성능을 보였으며, 더 구분력 있는 특징들을 생성하였습니다.