ADAS: 다중 대상 도메인 적응 의미 분할을 위한 직접적 적응 전략

본 논문에서는 다중 대상 영역에 직접적으로 적응하는 단일 모델을 사전 학습된 영역 특화 모델 없이 의미 분할 작업에 적용하기 위한 직접적 적응 전략(Direct Adaptation Strategy, ADAS)을 제시합니다. 이를 위해 시각적 속성을 영역 간에 일치시키기 위해 새로운 대상 적응 정규화 해제(Target Adaptive Denormalization, TAD) 모듈을 통해 영역 고유의 특징을 전송하는 다중 대상 영역 전송 네트워크(Multi-Target Domain Transfer Network, MTDT-Net)를 설계하였습니다. 또한, 클래스 라벨 사이의 속성 애매함을 줄이기 위해 일관된 특징 통계를 가진 영역을 적응적으로 선택하는 양방향 적응 영역 선택(Bi-directional Adaptive Region Selection, BARS) 방법을 제안합니다. 실험 결과, 본 연구에서 제안한 단일 MTDT-Net은 복잡한 주행 데이터셋에서 시각적으로 만족스러운 영역 전송 이미지를 생성할 수 있으며, BARS는 각 대상 영역에 대한 불필요한 훈련 이미지의 영역을 효과적으로 필터링할 수 있음을 보였습니다. MTDT-Net과 BARS의 협력을 통해 본 연구의 ADAS는 다중 대상 영역 적응(Multi-Target Domain Adaptation, MTDA)에서 최고 수준의 성능을 달성하였습니다. 우리 지식으로 미루어 볼 때, 본 방법은 의미 분할에서 직접적으로 여러 영역에 적응하는 첫 번째 MTDA 방법입니다.