초록
본 논문에서는 레이블이 부여된 합성(소스) 데이터만을 이용하여 강건한 모델을 학습하는 의미 분할 분야의 도메인 일반화 문제를 다룬다. 이 모델은 사전에 보지 못한 실제(타겟) 도메인에서도 우수한 성능을 발휘할 수 있어야 한다. 본 연구에서는 이미지 스타일의 변동이 모델 성능에 큰 영향을 미칠 수 있으며, 이미지의 채널별 평균과 표준편차를 통해 스타일 특징을 효과적으로 표현할 수 있음을 발견하였다. 이러한 관찰을 바탕으로, 학습 중에 어려운 스타일을 동적으로 생성함으로써 소스 도메인에 대한 과적합을 효과적으로 방지할 수 있는 새로운 적대적 스타일 증강(AdvStyle) 방법을 제안한다. 구체적으로 AdvStyle는 스타일 특징을 학습 가능한 파라미터로 간주하고, 적대적 학습을 통해 이를 업데이트한다. 학습된 적대적 스타일 특징은 강건한 모델 훈련을 위해 적대적 이미지를 구성하는 데 사용된다. AdvStyle는 구현이 간단하며 다양한 모델에 쉽게 적용 가능하다. 합성 데이터에서 실제 데이터로의 의미 분할 벤치마크 두 개에 대한 실험을 통해 AdvStyle가 사전에 보지 않은 실제 도메인에서 모델 성능을 크게 향상시키고, 최첨단 성능을 달성함을 입증하였다. 또한 AdvStyle는 도메인 일반화 이미지 분류에 적용 가능하며, 검토된 데이터셋에서 명확한 성능 향상을 보였다.