의도된 도메인 브리징을 통한 도메인 적응형 의미 분할

비지도 도메인 적응(UDA)에서, 소스 도메인에서 직접 대상 도메인으로의 적응은 일반적으로 큰 차이를 초래하여 충분한 정렬을 이루지 못합니다. 따라서 많은 UDA 연구는 다양한 중간 공간을 통해 단계적이고 부드럽게 도메인 간의 차이를 줄이는 방법, 즉 도메인 브리징(DB)을 시도하고 있습니다. 그러나 도메인 적응 세마틱 세그멘테이션(DASS)과 같은 밀집 예측 작업에 대해서는 기존 솔루션이 주로 거친 스타일 전환에 의존해 왔으며, 우아하게 도메인을 연결하는 방법은 아직 충분히 탐구되지 않았습니다.본 연구에서는 데이터 믹싱을 활용하여 DASS를 위한 신중한 도메인 브리징(DDB)을 구축하였습니다. 이를 통해 소스와 대상 도메인의 결합 분포가 중간 공간에서 서로 정렬되고 상호작용합니다. DDB의 핵심은 거시적 및 미시적 데이터 믹싱 기술을 사용하여 두 개의 중간 도메인을 생성하는 이원 경로 도메인 브리징 단계와, 생성된 중간 샘플에서 훈련된 두 개의 보완적인 모델을 '교사'로 사용하여 다중 교사 지식 전달 방식으로 우수한 '학생' 모델을 개발하는 크로스 경로 지식 전달 단계입니다. 이 두 최적화 단계는 번갈아 가며 작동하며 서로를 강화하여 강력한 적응 능력을 갖춘 DDB를 실현합니다.다양한 설정 하에서 적응 세그멘테이션 작업에 대한 광범위한 실험 결과, 제안된 DDB가 기존 최신 방법론보다 크게 우수함을 입증하였습니다. 코드는 https://github.com/xiaoachen98/DDB.git 에서 확인할 수 있습니다.