초록
영역 적응을 위한 의미론적 이미지 분할은 수동으로 픽셀 단위로 대규모 데이터셋을 라벨링하는 것이 비용이 많이 들고 시간이 오래 걸리기 때문에 매우 필요합니다. 기존의 영역 적응 기술들은 제한된 데이터셋에서만 작동하거나, 지도 학습에 비해 성능이 그렇게 좋지 않습니다. 본 논문에서는 분할을 위한 새로운 양방향 학습 프레임워크를 제안합니다. 양방향 학습을 사용하면 이미지 변환 모델과 분할 적응 모델을 번갈아 가며 학습시킬 수 있으며 서로를 강화시킬 수 있습니다. 또한, 더 나은 분할 적응 모델을 학습하고 이를 통해 이미지 변환 모델의 성능을 향상시키는 자기 감독 학습 알고리즘을 제안합니다. 실험 결과, 본 방법론은 분할의 영역 적응에서 현행 최신 방법론들보다 크게 우수함을 보여주었습니다. 소스 코드는 https://github.com/liyunsheng13/BDL에서 제공됩니다.