자기지도 학습을 통한 비지도 내도메인 적응을 통한 세분화 분류

컨볼루셔널 신경망 기반 접근법은 의미 분할(semantic segmentation) 분야에서 놀라운 진전을 이루었다. 그러나 이러한 접근법은 인력이 많이 드는 레이블링된 데이터에 크게 의존한다. 이 한계를 극복하기 위해 그래픽 엔진에서 생성한 자동 레이블링 데이터를 활용하여 분할 모델을 훈련시키는 방법이 도입되었다. 그러나 합성 데이터로 훈련된 모델은 실제 이미지로의 전이가 어렵다는 문제가 있다. 이를 해결하기 위해 기존 연구들은 소스 데이터에서 타겟 데이터로의 직접적인 모델 적응(즉, 도메인 간 차이를 줄이는 작업)을 고려해왔다. 그러나 이러한 기법들은 타겟 데이터 내부에서도 큰 분포 차이가 존재하는 문제(내부 도메인 간 차이, intra-domain gap)를 고려하지 못한다. 본 연구에서는 도메인 간 차이와 내부 도메인 간 차이를 동시에 최소화하기 위해 이단계(self-supervised domain adaptation) 접근법을 제안한다. 먼저, 모델에 대한 도메인 간 적응을 수행하고, 이를 바탕으로 엔트로피 기반 순위 함수를 활용해 타겟 도메인을 쉬운 부분과 어려운 부분으로 분리한다. 마지막으로, 내부 도메인 간 차이를 줄이기 위해 쉬운 부분에서 어려운 부분으로 향하는 자기지도 학습 기반 적응 기법을 제안한다. 다양한 기준 데이터셋에서 수행된 실험 결과는 제안한 방법이 기존 최고 수준의 기법들에 비해 뛰어난 성능을 보임을 입증한다. 소스 코드는 https://github.com/feipan664/IntraDA.git 에 공개되어 있다.