다중 소스 도메인 적응을 위한 협업 학습을 활용한 세분적 분할

다수의 레이블링된 소스 도메인에서 학습된 모델을 레이블이 없는 타겟 도메인에 적응시키는 것을 목표로 하는 다중 소스 비지도 도메인 적응(Multi-source unsupervised domain adaptation, MSDA)은 최근 컴퓨터 비전 분야에서 중요한 연구 주제로 부상하고 있다. 본 논문에서는 세분화 분할(Semantic segmentation)을 위한 협업 학습 기반의 새로운 다중 소스 도메인 적응 프레임워크를 제안한다. 먼저, 픽셀 값 분포를 정렬함으로써 소스 도메인과 타겟 도메인 간의 분포 차이를 일부 완화하기 위해 간단한 이미지 변환 방법을 도입한다. 이후, 타겟 도메인 데이터를 전혀 보지 않고도 소스 도메인 간의 핵심적인 의미 정보를 효과적으로 활용하기 위해, 새로운 협업 학습 기반의 도메인 적응 방법을 제안한다. 또한, 비지도 도메인 적응의 전형적인 설정과 유사하게, 레이블이 없는 타겟 도메인 데이터를 활용하여 도메인 적응 성능을 추가로 향상시킨다. 이를 위해 다수의 적응 모델의 출력에 대해 앙상블 모델이 실시간으로 생성한 가상 레이블(pseudo labels)을 통한 추가 제약 조건을 도입한다. 제안된 방법은 세분화 분할에서 널리 사용되는 도메인 적응 기준 데이터셋을 대상으로 광범위한 실험 및 아블레이션 연구를 수행하였다. 특히, 레이블이 있는 Synscapes 및 GTA5 데이터셋과 레이블이 없는 Cityscapes 학습 데이터셋을 사용하여 학습한 결과, Cityscapes 검증 세트에서 59.0%의 mIoU를 달성하였으며, 기존의 모든 단일 소스 및 다중 소스 비지도 도메인 적응 기법들보다 뚜렷한 성능 우위를 보였다.