ELDA: 엣지 사용을 통한 의미 분할 기반 UDA에서의 우위 확보

많은 비지도 도메인 적응(UDA) 방법들이 도메인 간의 차이를 줄이기 위해 도메인 불변 정보를 활용하는 방안을 제시해 왔습니다. 대부분의 접근 방식은 깊이(depth)를 이러한 정보로 선택하여 뛰어난 성공을 거두었습니다. 그러나 그 효과성에도 불구하고, UDA 작업에서 깊이를 도메인 불변 정보로 사용하면 과도한 추출 비용과 신뢰할 수 있는 예측 품질을 달성하기 위한 어려움 등의 여러 문제를 초래할 수 있습니다. 따라서, 우리는 엣지 학습 기반 도메인 적응(ELDA)이라는 프레임워크를 소개합니다. 이 프레임워크는 엣지 정보를 학습 과정에 통합하여 도메인 불변 정보의 일종으로 활용합니다. 실험에서 우리는 양적 및 질적으로 엣지 정보의 통합이 실제로 유익하고 효과적이며, ELDA가 의미 분할 기반 UDA 작업에서 두 가지 일반적으로 채택되는 벤치마크에서 현대적인 최신 방법들을 능가함을 입증하였습니다. 또한, ELDA가 서로 다른 클래스들의 특징 분포를 더 잘 구분할 수 있음을 보여주었습니다. 우리는 설계 결정의 타당성을 설명하기 위해 추가로 점진적 분석(ablation analysis)을 제공하였습니다.