소스 없음 도메인 적응을 위한 내재적 이웃 구조 탐색

도메인 적응(DA)은 소스 도메인과 타겟 도메인 간의 도메인 차이를 완화하는 것을 목표로 한다. 대부분의 DA 방법은 소스 데이터에 접근해야 하지만, 데이터 개인정보 보호나 지적 재산권 등의 이유로 이를 불가능하게 만드는 경우가 많다. 본 논문에서는 소스 데이터가 존재하지 않는 상황에서 사전 훈련된 소스 모델을 타겟 도메인에 적응시키는 도전적인 문제인 소스 프리 도메인 적응(SFDA)을 다룬다. 제안하는 방법은 타겟 데이터가 더 이상 소스 도메인 분류기와 일치하지 않을 수 있으나, 여전히 명확한 클러스터 구조를 형성한다는 관찰에 기반한다. 우리는 타겟 데이터의 국소적 유사도(local affinity)를 정의함으로써 이러한 내재 구조를 포착하고, 높은 국소적 유사도를 가진 데이터 간의 레이블 일관성을 유도한다. 또한, 상호적 이웃(reciprocal neighbors)에 더 높은 유사도를 부여해야 한다는 관찰을 바탕으로, 노이즈가 있는 이웃의 부정적 영향을 줄이기 위한 자체 정규화 손실(self-regularization loss)을 제안한다. 더불어, 보다 풍부한 맥락 정보를 통합하기 위해 작은 유사도 값을 가진 확장된 이웃(extended neighborhoods)도 고려한다. 실험 결과를 통해 타겟 특징의 내재 구조가 도메인 적응에 중요한 정보원임을 입증한다. 또한, 국소적 이웃, 상호적 이웃, 확장된 이웃을 고려함으로써 이러한 국소 구조를 효과적으로 포착할 수 있음을 보여준다. 마지막으로, 여러 2D 이미지 및 3D 포인트 클라우드 인식 데이터셋에서 최신 기술(SOTA) 성능을 달성하였다. 코드는 https://github.com/Albert0147/SFDA_neighbors 에 공개되어 있다.