라벨 기반 재구성 기반 도메인 적응을 통한 세분화 분할

비지도 도메인 적응(unsupervised domain adaptation)은 세그멘테이션 분류에서 픽셀 단위의 레이블링 필요성을 완화할 수 있다. 가장 일반적인 전략 중 하나는 소스 도메인의 이미지를 타겟 도메인으로 변환한 후, 적대적 학습을 통해 특징 공간에서 두 도메인의 주변 분포를 정렬하는 방식이다. 그러나 소스에서 타겟으로의 이미지 변환은 소스 도메인의 데이터 크기가 우세함에 따라 변환된 이미지 내 편향을 증대시키고, 추가적인 계산 부담을 유발한다. 또한, 전역적인 특징 정렬만으로는 소스 및 타겟 도메인 간의 공동 분포의 일관성을 보장할 수 없다. 본 연구에서는 이미지 변환 편향을 완화하고, 동일한 카테고리의 크로스 도메인 특징을 정렬하기 위한 혁신적인 프레임워크를 제안한다. 이는 1) 타겟에서 소스로의 이미지 변환 수행 및 2) 예측된 레이블로부터 소스 및 타겟 이미지의 재구성이라는 두 가지 전략을 통해 달성된다. 합성 이미지에서 실제 도시 환경 인식으로의 적응에 대한 광범위한 실험 결과, 제안하는 프레임워크가 기존 최고 수준의 기법들과 경쟁적으로 우수한 성능을 보임을 입증하였다.