경량 캘리브레이터: 비지도 도메인 적응을 위한 분리형 구성 요소

기존의 도메인 적응 방법들은 다양한 도메인 간에 일반화 가능한 특징을 학습하는 것을 목표로 한다. 이러한 방법들은 일반적으로 소스 도메인 분류기를 타겟 도메인에 적응시키기 위해 업데이트해야 하며, 소스 도메인과 타겟 도메인 사이의 균형을 적절히 다루지 못하는 문제가 있다. 본 연구에서는 타겟 도메인에 적응하기 위해 분류기를 학습하는 대신, 고정된 소스 분류기가 타겟 도메인에서 분류 성능을 회복할 수 있도록 돕는 분리 가능한 구성 요소인 데이터 캘리브레이터를 사용한다. 이 과정에서 소스 도메인의 성능은 유지된다. 두 도메인 간의 차이가 작을 경우, 소스 분류기의 표현 능력만으로도 타겟 도메인에서 우수한 성능을 발휘할 수 있으며, 이는 숫자 데이터셋에서 GAN 기반 방법보다 우수한 성능을 보인다. 반면 도메인 간 차이가 클 경우, 제안하는 방법은 GAN을 통해 생성된 가상 이미지를 활용하여 성능을 향상시킬 수 있으며, 숫자 데이터셋과 주행 장면 세분화 작업에서 최신 기술 수준의 성능을 달성한다. 본 연구의 실험 결과는 도메인 전이 상황에서 성능 저하의 원인이 되는 특정한 흥미로운 힌트들이 존재하며, 이러한 힌트는 도메인 구분자에 대한 적대적 공격을 통해 완화될 수 있음을 시사한다.