17일 전

메타보정: 의미 분할에서 비지도 도메인 적응을 위한 도메인 인지 메타 손실 보정

Xiaoqing Guo, Chen Yang, Baopu Li, Yixuan Yuan
메타보정: 의미 분할에서 비지도 도메인 적응을 위한 도메인 인지 메타 손실 보정
초록

비감독 도메인 적응(UDA)은 레이블이 부여된 소스 도메인의 지식을 레이블이 없는 타겟 도메인으로 전이하는 것을 목표로 한다. 기존의 자가 훈련 기반 UDA 접근법은 타겟 데이터에 의사 레이블(pseudo labels)을 할당하고, 이를 실제 레이블처럼 취급함으로써 레이블이 없는 타겟 데이터를 최대한 활용하여 모델 적응을 수행한다. 그러나 소스 도메인에서 최적화된 모델로부터 생성된 의사 레이블은 도메인 간 차이로 인해 불가피하게 노이즈를 포함하게 된다. 이러한 문제를 해결하기 위해 본 연구는 도메인 인지(meta-learning) 기반의 메타 보정 프레임워크(MetaCorrection)를 제안하며, 이는 UDA를 위한 세분화 분류(semantic segmentation)에서 손실 보정(Loss Correction, DMLC)을 효과적으로 지원하는 전략을 도입한다. 구체적으로, 타겟 도메인 내 의사 레이블의 노이즈 분포를 모델링하기 위해 노이즈 전이 행렬(Noise Transition Matrix, NTM)을 도입하고, 도메인 불변 소스 데이터를 활용해 메타 데이터셋을 구성하여 NTM의 추정을 안내한다. 이 메타 데이터셋에서 위험 최소화를 수행함으로써 최적화된 NTM는 의사 레이블 내 노이즈를 보정하고, 타겟 데이터에 대한 모델의 일반화 능력을 향상시킬 수 있다. 또한 얕은 특징과 깊은 특징 간의 능력 차이를 고려하여, 제안한 DMLC 전략을 활용해 다양한 수준의 특징에 대해 일치하고 호환 가능한 지도 신호를 제공함으로써 깊은 수준의 적응을 보장한다. 광범위한 실험 결과는 제안한 방법이 세 가지 벤치마크에서 기존 최첨단 기법들과 비교하여 우수한 성능을 보임을 입증한다.