초록
우리는 다중 이미지 번역, 앙상블 학습, 그리고 자기지도 학습을 하나의 통합된 접근 방식으로 결합한 비지도 도메인 적응(UDA) 전략을 제안한다. 본 연구는 라벨이 부여된 합성 데이터와 라벨이 없는 실세계 데이터를 함께 사용하여 세분화 모델을 훈련시키는 전형적인 UDA 과제에 초점을 맞춘다. 이 과제의 목적은 실세계 데이터에 대해 뛰어난 성능을 발휘하는 것이다. 다중 이미지 번역의 장점을 극대화하기 위해, 서로 다른 이미지 번역에 대한 특징을 입력으로 받아 각 분류기가 독립적으로 예측을 수행하는 앙상블 학습 방식을 제안한다. 이후 이러한 분류기들의 출력은 희소 다항 로지스틱 회귀(Sparse Multinomial Logistic Regression)를 통해 결합되며, 이 회귀층은 메타-러너(Meta-learner)로 알려져 있다. 메타-러너는 자기지도 학습 과정에서 의사 라벨( pseudo-label) 생성 시 발생할 수 있는 편향을 줄이고, 각 분류기의 기여도를 고려함으로써 모델의 일반화 성능을 향상시킨다. 제안한 방법은 GTA V 및 Synthia를 Cityscapes로 적응시키는 표준 UDA 벤치마크에서 평가되었으며, 평균 교차율(mIoU) 지표에서 최신 기준(SOTA) 성능을 달성하였다. 또한 제안 전략의 우수한 특성을 입증하기 위해 광범위한 아블레이션 실험 결과를 제시한다.