다중 대상 도메인 적응과 협력적 일관성 학습

최근 실제 이미지에서 픽셀 단위 주석화의 비용이 높아짐에 따라 의미 분할 작업을 위한 비지도 도메인 적응이 점점 더 인기를 얻고 있습니다. 그러나 대부분의 도메인 적응 방법은 단일 소스-단일 대상 쌍에만 제한되어 있으며, 여러 대상 도메인으로 직접 확장할 수 없습니다. 본 연구에서는 비지도 다중 대상 도메인 적응을 달성하기 위한 협업 학습 프레임워크를 제안합니다. 먼저 각 소스-대상 쌍에 대해 비지도 도메인 적응 전문 모델을 훈련시키고, 서로 다른 대상 도메인 간에 구축된 다리를 통해 서로 협력하도록 유도합니다. 이러한 전문 모델들은 동일한 구조적 맥락을 가진 각 샘플에 대해 일관된 픽셀 단위 예측을 수행하도록 하는 정규화를 추가하여 더욱 개선됩니다. 여러 대상 도메인에서 작동하는 단일 모델을 얻기 위해, 우리는 각 전문 모델의 출력을 해당 대상 도메인에서 모방하도록 훈련받는 동시에, 그들의 가중치에 대한 정규화를 통해 서로 다른 전문 모델들을 서로 가까워지도록 만드는 학생 모델을 동시에 학습하는 것을 제안합니다. 광범위한 실험 결과, 제안된 방법이 라벨링된 소스 도메인과 여러 라벨링되지 않은 대상 도메인에서 포함된 풍부한 구조적 정보를 효과적으로 활용할 수 있음을 보여주며, 여러 대상 도메인에서 우수한 성능을 발휘하며 특히 단일 소스-대상 쌍에 대해 특별히 훈련된 최신 비지도 도메인 적응 방법들보다도 유리한 성능을 보입니다.