선택, 레이블링, 혼합: 부분 도메인 적응을 위한 구분 가능한 불변 특징 표현 학습

부분 도메인 적응(Partial Domain Adaptation)은 알려지지 않은 타겟 레이블 공간이 소스 레이블 공간의 부분집합임을 전제로 하는 접근 방식으로, 컴퓨터 비전 분야에서 큰 관심을 받고 있다. 최근의 발전에도 불구하고 기존 방법들은 여전히 세 가지 핵심 문제에 직면해 있다: 부정적 전이(negative transfer), 잠재 공간 내 구분 능력의 부족, 그리고 도메인 불변성(domain invariance)의 결여. 이러한 문제들을 완화하기 위해, 부분 도메인 적응을 위한 구분 가능한 불변 특징 표현을 학습하는 데 목적이 있는 새로운 '선택, 레이블링, 혼합(Select, Label, and Mix, SLM)' 프레임워크를 제안한다. 먼저, 두 도메인 간 분포를 정렬하면서도 부정적 전이를 방지하기 위해 이상치 소스 샘플을 자동으로 필터링하는 효율적인 '선택(select)' 모듈을 제안한다. 다음으로, 타겟 도메인에 대해 생성된 의사 레이블(pseudo-labels)과 함께 레이블링된 소스 도메인 데이터를 사용하여 분류기를 반복적으로 훈련함으로써 잠재 공간의 구분 능력을 향상시키는 '레이블링(label)' 모듈을 제안한다. 마지막으로, 다른 두 모듈과 함께 도메인 믹스업(domain mixup) 정규화를 활용하여 도메인 간 더 내재적인 구조를 탐색함으로써 부분 도메인 적응을 위한 도메인 불변 잠재 공간을 형성하는 '혼합(mix)' 모듈을 도입한다. 여러 표준 벤치마크 데이터셋에 대한 광범위한 실험을 통해 제안하는 프레임워크가 최신 기법들에 비해 우수한 성능을 보임을 입증하였다.