초록
우리는 의미 분할을 위한 도메인 적응을 위한 실용적이고 높은 정확도를 갖춘 접근법을 제안한다. 기존 연구들과 달리, 우리는 계산적으로 복잡한 적대적 목적함수, 네트워크 앙상블, 스타일 전이 기법을 포기한다. 대신 표준적인 데이터 증강 기법—광학적 노이즈, 반전, 스케일링—을 활용하며, 이러한 이미지 변환에 걸쳐 의미 예측의 일관성을 보장한다. 우리는 이 원리를 가벼운 자기지도 학습 프레임워크 내에서 구현하였으며, 추가적인 복잡한 학습 라운드 없이 공진화되는 가짜 레이블(퍼지 레이블)을 기반으로 학습한다. 실질적인 관점에서 학습이 간단하지만, 매우 효과적인 우리의 접근법은 다양한 백본 아키텍처와 적응 시나리오에 걸쳐 상태의 최고 수준(segmentation accuracy)을 크게 향상시키는 결과를 보였다.