무 supervision 도메인 적응(UDA)을 통한 세분화는 레이블이 붙은 소스 도메인에서 학습된 세분화 모델을 레이블이 없는 타겟 도메인에 적응시키는 것을 목표로 한다. 기존의 방법들은 도메인 불변 특징을 학습하려 노력하지만, 큰 도메인 간 차이로 인해 특징 간 불일치를 정확히 정렬하는 것이 어렵고, 특히 초기 학습 단계에서 이러한 문제가 더욱 심화된다. 본 논문에서는 이러한 문제를 해결하기 위해 새로운 이중 소프트-패스팅(Dual Soft-Paste, DSP) 방법을 제안한다. 구체적으로, DSP는 긴 꼬리 분포(class distribution)를 가진 소스 도메인 이미지에서 일부 클래스를 우선 샘플링하는 전략을 활용하여, 해당 클래스에 해당하는 이미지 패치를 소스 및 타겟 학습 이미지에 소프트하게 붙여 넣으며, 이 과정에서 융합 가중치를 적용한다. 기술적으로, 우리는 도메인 적응을 위해 메인 티처(Mean Teacher) 프레임워크를 채택한다. 여기서 패스팅된 소스 및 타겟 이미지는 학습자(학생) 네트워크를 통과하지만, 원본 타겟 이미지는 교사(teacher) 네트워크를 통과한다. 출력 수준의 정렬은 두 네트워크에서 생성된 타겟 융합 이미지의 확률 맵을 가중치가 부여된 교차 엔트로피 손실을 통해 정렬함으로써 수행된다. 또한 특징 수준의 정렬은 학습자 네트워크에서 생성된 소스 및 타겟 이미지의 특징 맵을 가중치가 부여된 최대 평균 차이(MMD) 손실을 통해 정렬함으로써 이루어진다. DSP는 중간 도메인을 통해 도메인 불변 특징을 학습할 수 있도록 지원하여, 더 빠른 수렴과 우수한 성능을 달성한다. 두 가지 도전적인 벤치마크에서의 실험 결과는 DSP가 최신 기술 대비 우수한 성능을 보임을 입증한다. 코드는 \url{https://github.com/GaoLii/DSP}에서 공개되어 있다.