도메인 일반화를 위한 자이저 퍼즐 해결

인간의 적응성은 지도 학습과 비지도 학습에서 얻은 지식을 배우고 통합하는 능력에 크게 의존합니다: 부모는 몇 가지 중요한 개념을 가르치지만, 그 후 자녀들은 스스로 나머지를 채워갑니다. 이 방법이 특히 효과적인 이유는 지도 학습이 절대적으로 완벽할 수 없기 때문에, 자율적으로 학습함으로써 일반화에 도움이 되는 불변성과 규칙성을 발견할 수 있기 때문입니다. 본 논문에서는 이러한 접근 방식을 영역 간 객체 인식 작업에 적용하려고 제안합니다: 우리의 모델은 지도 학습 방식으로 의미적 라벨을 학습하고, 동일한 이미지에서 자가 지도 신호를 통해 조각 퍼즐을 해결하는 방법을 배워 데이터 이해 범위를 확장합니다. 이 보조 작업은 네트워크가 공간 상관 관계의 개념을 학습하는 데 도움을 주면서 분류 작업의 정규화자 역할을 합니다. PACS, VLCS, Office-Home 및 숫자 데이터셋에서 수행된 여러 실험은 우리의 직감을 확인하며, 이 단순한 방법이 이전의 영역 일반화 및 적응 솔루션보다 우수하다는 것을 보여줍니다. 또한 제거 연구(ablation study)는 우리 접근 방식의 내부 작동 원리를 더욱 설명합니다.