도메인 랜덤화와 피라미드 일관성: 대상 도메인 데이터에 접근하지 않고 시뮬레이션에서 실제로의 일반화

우리는 시뮬레이션의 잠재력을 활용하여 실제 자율주행 장면의 의미 분할을 도메인 일반화 방식으로 제안합니다. 세그멘테이션 네트워크는 대상 도메인의 데이터 없이 훈련되며, 미처 본 적 없는 대상 도메인에서 테스트됩니다. 이를 위해 우리는 높은 일반화 능력을 가진 모델을 학습하기 위한 새로운 도메인 랜덤화 및 피라미드 일관성 접근법을 제안합니다. 첫째, 보조 데이터셋을 사용하여 시각적 표현 측면에서 실제 이미지 스타일로 합성 이미지를 랜덤화함으로써 효과적으로 도메인 불변 표현을 학습하도록 제안합니다. 둘째, 서로 다른 "스타일링된" 이미지 간과 이미지 내에서 피라미드 일관성을 강제 적용하여 각각 도메인 불변 및 스케일 불변 특징을 학습하도록 합니다. 우리는 GTA와 SYNTHIA에서 Cityscapes, BDDS, Mapillary로의 일반화에 대해 광범위한 실험을 수행하였으며, 우리의 방법은 최신 기술보다 우수한 결과를 얻었습니다. 특히, 훈련 시 대상 도메인 데이터에 접근하는 최신 시뮬레이션-실제 도메인 적응 방법론과 비교해도 우리의 일반화 결과는 그에 버금가거나 심지어 더 우수합니다.