조건부 도메인 정규화를 통한 객체 탐지기 적응

실세계 객체 탐지기는 서로 다른 데이터셋 간의 도메인 갭(domain gap)으로 인해 종종 도전에 직면한다. 본 연구에서는 이러한 도메인 갭을 극복하기 위해 조건부 도메인 정규화(Conditional Domain Normalization, CDN)를 제안한다. CDN은 서로 다른 도메인 입력을 동일한 잠재 공간(latent space)에 인코딩하도록 설계되어, 각 도메인에서 추출된 특징들이 동일한 도메인 속성을 가지도록 한다. 이를 위해 먼저, 도메인 임베딩 모듈을 통해 한 도메인의 의미적 특징(semantic features)에서 도메인 고유의 속성을 분리한다. 이 과정에서 도메인 벡터(domain-vector)를 학습하여 해당 도메인의 특성을 특징화한다. 이후 이 도메인 벡터를 조건부 정규화(conditional normalization)를 통해 다른 도메인의 특징에 적용함으로써, 다양한 도메인의 특징이 동일한 도메인 속성을 공유하게 된다. 본 방법은 객체 탐지기의 다양한 합성곱 단계(convolution stages)에 CDN을 통합하여, 각 수준의 표현에서 발생하는 도메인 변동을 적응적으로 보정한다. 기존의 적응 기법들이 의미적 특징에 대해 도메인 혼동 학습(domain confusion learning)을 수행하여 도메인 고유의 요소를 제거하는 데 초점을 맞추는 반면, CDN은 하나의 도메인의 의미적 특징을 다른 도메인에서 학습된 도메인 벡터에 조건부로 조절함으로써, 서로 다른 도메인의 분포를 정렬한다. 광범위한 실험 결과는 CDN이 2D 이미지 탐지 및 3D 포인트 클라우드 탐지 모두에서 실세계-실세계(real-to-real) 및 가상-실세계(synthetic-to-real) 적응 벤치마크에서 기존 방법들을 뛰어넘는 성능을 보임을 입증하였다.