컨텍스트 인식 미스업을 통한 도메인 적응형 세분화

비지도 도메인 적응(UDA)은 레이블이 있는 소스 도메인 모델을 레이블이 없는 타겟 도메인에 적응시키는 것을 목표로 한다. 기존의 UDA 기반 세분화 접근법은 일반적으로 픽셀 수준, 특징 수준, 출력 수준에서 도메인 간 차이를 줄이는 데 초점을 맞추고 있다. 그러나 거의 모든 기존 방법들은 서로 다른 도메인 간에 일반적으로 공유되는 맥락적 종속성(contextual dependency)을 크게 간과하고 있어, 바람직하지 않은 성능 저하를 초래한다. 본 논문에서는 이러한 맥락적 종속성의 중요한 특성을 명시적 사전 지식으로 활용하여, 완전히 엔드투엔드 학습 가능한 방식으로 타겟 도메인에 대한 적응성 향상을 도모하는 새로운 Context-Aware Mixup(CAMix) 프레임워크를 제안한다. 먼저, 축적된 공간 분포와 사전 맥락적 관계를 활용하여 맥락적 마스크 생성 전략을 제안한다. 생성된 맥락적 마스크는 본 연구에서 핵심적인 역할을 하며, 세 가지 다른 수준에서 맥락 인식 도메인 믹스업을 안내한다. 또한 맥락 지식을 제공함으로써, 혼합된 학습자 예측과 혼합된 교사 예측 간의 일관성 부족을 보상하는 중요도 재가중 일관성 손실을 도입하여, 적응 과정에서의 부정적 전이(예: 초기 성능 저하)를 완화한다. 광범위한 실험과 분석을 통해 제안한 방법이 널리 사용되는 UDA 벤치마크에서 최첨단 기법들에 비해 우수한 성능을 보임을 입증하였다.