Drop to Adapt: 비지도 도메인 적응을 위한 구분 가능한 특징 학습

최근 도메인 적응 연구들은 특징 추출기와 도메인 구분기 네트워크의 공동 학습을 통해 적대적 훈련을 활용하여 도메인 불변 특징 표현을 얻는 방식을 탐구해왔다. 그러나 기존의 도메인 적대적 방법은 작업의 성격을 고려하지 않고 도메인 간 분포를 일치시키려는 시도를 하기 때문에 최적의 성능을 내지 못하는 경우가 많다. 본 연구에서는 클러스터 가정을 강제함으로써 강력한 구분 능력을 갖춘 특징을 학습하기 위해 적대적 드롭아웃(Adversarial Dropout)을 활용하는 'Drop to Adapt(DTA)'를 제안한다. 이를 바탕으로 안정적인 도메인 적응을 지원하는 목적 함수를 설계하였다. 다양한 실험을 통해 제안된 방법의 효과성을 입증하였으며, 이미지 분류 및 의미 세분화(motion segmentation) 작업에서 일관된 성능 향상을 달성하였다. 본 연구의 소스 코드는 https://github.com/postBG/DTA.pytorch 에 공개되어 있다.