초록
패노픽 세그멘테이션은 의미론적 세그멘테이션과 인스턴스 세그멘테이션을 통합한 것으로, 최근 몇 년간 점점 더 많은 주목을 받고 있다. 그러나 기존의 대부분의 연구는 감독 학습 설정 하에서 이루어졌으며, 다양한 작업 및 응용 분야에서 매우 중요한 비감독 도메인 적응 패노픽 세그멘테이션은 크게 간과되어 왔다. 본 연구에서는 도메인 간 적응을 위한 최적의 패노픽 세그멘테이션을 달성하기 위해 스타일 간 일관성과 작업 간 정규화를 활용하는 도메인 적응 패노픽 세그멘테이션 네트워크를 제안한다. 스타일 간 일관성은 서로 다른 스타일로 변환된 동일 이미지 간의 기하학적 불변성을 활용하여, 네트워크가 도메인 불변 특징을 학습하도록 유도하는 자체 지도 신호를 생성한다. 작업 간 정규화는 인스턴스 세그멘테이션과 의미론적 세그멘테이션 간의 상호 보완적 특성을 활용하여, 도메인 간 특징 정렬을 향상시키는 제약 조건으로 활용한다. 다양한 도메인 적응 패노픽 세그멘테이션 작업(예: 합성에서 실제, 실제에서 실제)에 대한 광범위한 실험을 통해 제안한 네트워크가 최신 기술 대비 뛰어난 세그멘테이션 성능을 달성함을 입증하였다.