다양화와 일치: 객체 검출을 위한 영역 적응형 표현 학습 패러다임

우리는 객체 검출을 위한 새로운 비지도 도메인 적응 접근법을 소개합니다. 이 접근법은 픽셀 수준의 적응에서 발생하는 불완전한 변환 문제와 특징 수준의 적응에서 발생하는 원본 편향된 차별성 문제를 동시에 완화하기를 목표로 합니다. 우리의 접근법은 두 단계로 구성되어 있으며, 이를 도메인 다양화(Domain Diversification, DD)와 다중 도메인 불변 표현 학습(Multi-domain-invariant Representation Learning, MRL)이라고 합니다. DD 단계에서는 소스 도메인에서 다양한 구분 가능한 이동된 도메인을 생성하여 라벨링된 데이터의 분포를 다양화합니다. MRL 단계에서는 다중 도메인 판별기와 함께 적대적 학습을 적용하여 도메인 간에 특징이 구분할 수 없도록 유도합니다. DD는 원본 편향된 차별성을 해결하며, MRL은 불완전한 이미지 변환 문제를 완화합니다. 우리는 이러한 학습 패러다임을 위한 구조적인 도메인 적응 프레임워크를 구성하고, 실제 구현을 위해 DD의 실용적인 방법을 제시합니다. 우리의 방법은 다양한 데이터셋에서 평균 정밀도(mean average precision, mAP) 측면에서 최신 기술보다 3%~11% 더 우수한 성능을 보입니다.