13일 전

세마틱 세그멘테이션 기반 비지도 도메인 적응을 위한 앙상블-정제 재고찰

Chen-Hao Chao, Bo-Wun Cheng, Chun-Yi Lee
세마틱 세그멘테이션 기반 비지도 도메인 적응을 위한 앙상블-정제 재고찰
초록

최근의 비지도 도메인 적응(UDA)에 관한 연구들은 종단간 앙상블 학습 프레임워크가 UDA 과제에 있어 매력적인 대안임을 보여주었다. 그러나 이러한 종단간 앙상블 학습 방법들은 앙상블 구성 요소에 대한 어떤 수정이 있더라도 프레임워크 전체를 다시 훈련해야 하는 등 유연성이 부족한 경우가 많다. 이 문제를 해결하기 위해, 우리는 의미적 세그멘테이션 기반 UDA를 수행하기 위한 유연한 앙상블 정제(ensemble-distillation) 프레임워크를 제안한다. 이 프레임워크는 앙상블 내 구성원의 임의의 조합을 가능하게 하면서도 여전히 뛰어난 성능을 유지할 수 있다. 이러한 유연성을 달성하기 위해, 본 프레임워크는 앙상블 내 구성원들 간의 출력 불일치와 성능 변동에 대해 강건하도록 설계되었다. 제안된 방법의 효과성과 강건성을 검증하기 위해, GTA5에서 Cityscapes, SYNTHIA에서 Cityscapes로의 전이를 대상으로 광범위한 실험을 수행하여 제안 방법이 달성 가능한 성능 향상 정도를 정량적으로 분석하였다. 또한, 본 연구의 설계 선택이 실용적이고 유익함을 입증하기 위해 상세한 분석을 제공한다. 실험 결과는 제안된 방법이 현존하는 기준 방법들에 비해 의미적 세그멘테이션 기반 UDA 과제에서 뛰어난 성능, 강건성, 그리고 유연성을 제공함을 확인하였다.

세마틱 세그멘테이션 기반 비지도 도메인 적응을 위한 앙상블-정제 재고찰 | 최신 연구 논문 | HyperAI초신경