DACS: 도메인 적응을 위한 교차 도메인 혼합 샘플링

컨볼루션 신경망 기반의 의미 분할 모델은 최근 다양한 응용 분야에서 놀라운 성능을 보여주고 있다. 그러나 이러한 모델은 새로운 도메인에 적용될 때 일반화 능력이 떨어지는 경향이 있으며, 특히 합성 데이터에서 실제 데이터로 전이할 경우 더욱 두드러진다. 본 논문에서는 레이블이 붙은 데이터를 하나의 도메인(소스 도메인)에서 학습하면서, 관심 있는 도메인(타겟 도메인)의 레이블이 없는 데이터로부터도 동시에 학습하는 비지도 도메인 적응(Unsupervised Domain Adaptation, UDA) 문제를 다룬다. 기존의 방법들은 레이블이 없는 이미지에 대해 의사 레이블(pseudo-label)을 사용하여 학습함으로써 성공을 거두었다. 도메인 전이에 따라 발생하는 낮은 품질의 의사 레이블 문제를 완화하기 위해 다양한 기술이 제안되었지만, 각각의 성능은 제한적이었다. 본 연구에서는 도메인 간 혼합 샘플링(Domain Adaptation via Cross-domain mixed Sampling, DACS)을 제안하며, 두 도메인의 이미지와 해당하는 레이블 및 의사 레이블을 혼합하여 새로운 샘플을 생성하고, 이를 레이블이 있는 데이터와 함께 학습에 활용한다. 제안한 방법의 효과를 입증하기 위해 GTA5에서 Cityscapes로의 전이, 즉 UDA의 대표적인 합성 데이터에서 실제 데이터로의 분할 성능 평가에서 최고 수준의 성능을 달성하였다.