객체 탐지를 위한 점진적 도메인 적응

최근 객체 탐지에 활용되는 딥러닝 기법은 많은 양의 경계 상자(바운딩 박스) 레이블에 의존한다. 이러한 레이블을 수집하는 과정은 인적 노력과 비용이 크며, 특히 훈련 데이터와 다른 분포를 가진 이미지에서 테스트할 경우, 감독 학습 모델의 일반화 성능이 낮아지는 문제가 발생한다. 도메인 적응(Domain Adaptation)은 기존의 레이블을 타겟 테스트 데이터에 적응시킴으로써 이 문제를 해결할 수 있는 대안을 제시한다. 그러나 원천 도메인과 타겟 도메인 간의 큰 차이로 인해 적응 과정이 매우 어렵게 되며, 이는 불안정한 학습 과정과 최적의 성능을 도달하지 못하는 결과를 초래할 수 있다. 본 논문에서는 중간 도메인(intermediate domain)을 도입하여 도메인 간 격차를 점진적으로 줄이는 새로운 접근 방식을 제안한다. 중간 도메인은 원천 도메인 이미지를 타겟 도메인의 이미지처럼 변환함으로써 구축된다. 도메인 이동( domain shift) 문제를 해결하기 위해 특징 수준에서 분포를 정렬하기 위해 적대적 학습(adversarial learning) 기법을 도입한다. 또한 중간 도메인 내 이미지 품질의 불균형 문제를 해결하기 위해 가중치가 부여된 작업 손실( weighted task loss)을 적용한다. 실험 결과, 제안하는 방법은 타겟 도메인에서 최신 기술 대비 우수한 성능을 보였다.