SePiCo: 의미 지도 픽셀 대조를 이용한 영역 적응 의미 분할

도메인 적응 의미 분할은 라벨이 부착된 소스 도메인에서 훈련된 감독 모델을 활용하여 라벨이 없는 대상 도메인에서 만족스러운 밀집 예측을 수행하는 것을 목표로 합니다. 본 연구에서는 새로운 단일 단계 적응 프레임워크인 의미-가이드 픽셀 대비(Semantic-Guided Pixel Contrast, SePiCo)를 제안합니다. 이 프레임워크는 개별 픽셀의 의미 개념을 강조하여 도메인 간에 클래스 구분력 있고 클래스 균형 잡힌 픽셀 표현 학습을 촉진하고, 궁극적으로 자기 훈련 방법의 성능을 향상시키는 역할을 합니다.특히, 적절한 의미 개념을 탐색하기 위해 먼저 전체 소스 도메인 또는 단일 소스 이미지의 카테고리 중심점을 사용하여 구분력 있는 특징 학습을 안내하는 중심점 인식 픽셀 대비(centroid-aware pixel contrast)를 조사하였습니다. 그러나 의미 개념에서 카테고리 다양성이 부족할 가능성을 고려하여, 충분한 수의 인스턴스를 포함하도록 분포 인식 픽셀 대비(distribution-aware pixel contrast)라는 새로운 접근 방식을 제시하였습니다. 이 방법에서는 라벨이 부착된 소스 데이터의 통계를 통해 각 의미 카테고리의 실제 분포를 근사합니다.또한, 이러한 최적화 목적함수는 암시적으로 무한한 수의 유사/비유사 쌍을 포함함으로써 폐쇄 형식 상위 경계를 도출할 수 있어 계산 효율성이 높습니다. 광범위한 실험 결과, SePiCo는 훈련 안정성 향상뿐만 아니라 구분력 있는 표현 생성에도 기여하며, 합성-실제 및 주간-야간 적응 시나리오 모두에서 상당한 진전을 보였습니다.