초록
라벨링된 학습 데이터와 라벨링되지 않은 테스트 데이터 간의 분포 차이는 최근의 딥러닝 모델에게 중요한 도전 과제이다. 비지도 도메인 적응(UDA, Unsupervised Domain Adaptation)은 이러한 문제를 해결하기 위해 제안된 접근 방식이다. 최근 연구들은 자기 학습(self-training)이 UDA에 효과적인 방법임을 보여주고 있다. 그러나 기존의 방법들은 확장성과 성능 사이의 균형을 맞추는 데 어려움을 겪고 있다. 본 논문에서는 세그멘테이션 작업을 위한 비지도 도메인 적응을 위한 인스턴스 적응형 자기 학습 프레임워크를 제안한다. 보다 효과적인 의사 라벨의 품질 향상을 위해, 인스턴스 적응형 선택기(instance adaptive selector)를 활용한 새로운 의사 라벨 생성 전략을 개발하였다. 또한, 의사 라벨 영역은 부드럽게 하고 비의사 라벨 영역은 선명하게 만드는 영역 유도 정규화(region-guided regularization)를 제안한다. 제안한 방법은 간결하고 효율적이어서 다른 비지도 도메인 적응 방법으로의 일반화가 용이하다. 'GTA5 to Cityscapes' 및 'SYNTHIA to Cityscapes'에 대한 실험 결과는 기존 최고 수준의 방법들과 비교하여 본 방법이 우수한 성능을 보임을 입증한다.