클래스 수준의 정렬을 위한 크로스 영역 도메인 적응

세마틱 세그멘테이션은 많은 양의 학습 데이터를 요구하며, 이는 비용이 큰 어노테이션을 수반한다. 컴퓨터 그래픽스에서 실제 이미지로의 비감독 도메인 적응(Understood Domain Adaptation, UDA)에 관한 연구는 다수 존재하지만, 여전히 UDA의 정확도는 원본 도메인 데이터에 대한 감독 학습에 비해 떨어지는 문제가 있다. 이는 주로 소스 도메인과 타겟 도메인 간의 클래스 수준에서의 불일치에 기인한다고 볼 수 있다. 이를 해결하기 위해 우리는 타겟 도메인 내에서 두 개의 특징 분포를 적대적 학습을 통해 정렬하는 방법을 제안한다. 본 방법은 자기 학습(framework)을 활용하여 이미지를 두 영역(신뢰할 수 있는 영역과 신뢰할 수 없는 영역)으로 분할하고, 이 두 영역이 특징 공간에서 정렬될 수 있도록 한다. 이 접근법을 기존의 서로 다른 도메인 분포를 정렬하는 방법(즉, 도메인 간 적응, Cross-Domain Adaptation, CDA)과 구분하기 위해 ‘크로스-리지온 적응(Cross-Region Adaptation, CRA)’이라 명명한다. CRA는 어떠한 CDA 방법 이후에도 적용 가능하다. 실험 결과, 본 방법은 결합된 CDA 방법의 정확도를 항상 향상시키며, 기존의 최고 성능(SOTA) 기준을 갱신했다.