클래스가 중요하다: 도메인 간 의미 분할을 위한 세밀한 적대적 접근법

감독 학습 기반의 의미 분할(Semantic Segmentation) 분야에서 큰 진전이 있었음에도 불구하고, 모델을 실제 환경(와일드)에 배포할 경우 일반적으로 성능 저하가 발생한다. 도메인 적응(Domain Adaptation) 기법은 소스 도메인과 타겟 도메인 간의 분포를 일치시킴으로써 이 문제를 해결하려 한다. 그러나 기존 대부분의 방법들은 전반적인 관점에서만 도메인 간 일치를 시도하며, 타겟 도메인 내에 존재하는 계층적 클래스 수준의 데이터 구조를 간과하고 있다. 소스 도메인의 감독 정보를 보다 효과적으로 활용하기 위해, 본 연구에서는 도메인 간 의미 구조의 내부 구조를 유지하면서 클래스 수준의 특징 일치를 위한 세밀한(adversarial) 학습 전략을 제안한다. 제안하는 방법은 세밀한 도메인 구분자(fine-grained domain discriminator)를 도입하여, 단순한 도메인 구분을 넘어서 클래스 수준에서도 도메인을 구분할 수 있도록 한다. 또한 기존의 이진 도메인 레이블을 도메인 인코딩(domain encodings)으로 일반화하여, 세밀한 특징 일치를 유도하는 감독 신호로 활용한다. 클래스 중심 거리(Class Center Distance, CCD)를 활용한 분석을 통해, 제안한 세밀한 적대적 전략이 기존 최첨단 방법들보다 더 우수한 클래스 수준의 일치 성능을 달성함을 입증하였다. 제안된 방법은 구현이 간단하며, GTA5 → Cityscapes, SYNTHIA → Cityscapes, Cityscapes → Cross-City 세 가지 전형적인 도메인 적응 작업에서 효과성이 검증되었다. 대규모 성능 향상이 나타나, 전반적인 특징 일치 기반 및 클래스별 일치 기반의 기존 방법들을 모두 상회함을 보였다. 코드는 공개되어 있으며, 다음 링크에서 확인할 수 있다: https://github.com/JDAI-CV/FADA.