BiMaL: 의미적 장면 세그멘테이션에서 도메인 적응을 위한 이중사상 최대우도 접근법

시맨틱 세그멘테이션은 픽셀 단위의 레이블을 예측하는 것을 목표로 하며, 다양한 컴퓨터 비전 응용 분야에서 인기 있는 작업으로 부상했다. 기존의 완전히 감독되는 세그멘테이션 방법들은 대규모 비전 데이터셋에서 높은 정확도를 달성했지만, 새로운 테스트 환경이나 새로운 도메인으로의 일반화 능력은 여전히 제한적이다. 본 연구에서는 먼저, 새로운 타겟 도메인에서 학습된 모델의 효율성을 비감독 방식으로 측정할 수 있는 새로운 '비일치 도메인 점수(Un-aligned Domain Score)'를 제안한다. 다음으로, 픽셀 간 독립성에 대한 어떠한 가정도 필요 없이, 적대적 엔트로피 최소화의 일반화된 형태인 새로운 이중사상 최대우도(Bijective Maximum Likelihood, BiMaL) 손실 함수를 제시한다. 제안한 BiMaL은 두 가지 도메인에서 평가되었으며, 실험 결과 'SYNTHIA to Cityscapes', 'GTA5 to Cityscapes', 'SYNTHIA to Vistas'와 같은 설정에서 기존 최고 성능(SOTA) 방법들을 일관되게 상회하는 성능을 보였다.