구조화된 출력을 위한 차별적 패치 표현을 이용한 도메인 적응

구조화된 출력 예측, 예를 들어 의미 분할은 감독 학습 모델인 컨벌루션 신경망을 학습하기 위해 비용이 많이 드는 픽셀 단위 주석에 의존합니다. 그러나 하나의 데이터 도메인에서 학습된 모델은 다른 도메인으로 일반화하는 데 주석 없이는 잘 수행되지 않을 수 있습니다. 이러한 주석 작업의 노동 집약적인 과정을 피하기 위해, 우리는 소스 데이터를 라벨이 없는 대상 도메인에 적응시키는 도메인 적응 방법을 개발하였습니다. 우리는 클러스터링 공간을 구성함으로써 패치별 출력 분포의 여러 모드를 발견하여, 소스 도메인에서 패치들의 차별적 특성 표현을 학습하도록 제안합니다. 이러한 표현을 지침으로 하여, 우리는 적대적 학습 방식을 사용하여 대상 패치의 특성 표현이 클러스터링 공간에서 소스 패치의 분포에 더 가까워지도록 합니다. 또한, 우리의 프레임워크가 기존의 도메인 적응 기술과 보완적이며 의미 분할에서 일관된 향상을 이룬다는 것을 보여드립니다. 다양한 설정, 예를 들어 시뮬레이션-실제 및 교차도시 시나리오에서 다수의 벤치마크 데이터셋에 대한 광범위한 아블레이션 연구와 결과가 제시되었습니다.