도메인 및 카테고리 변이 하에서의 업사이클링 모델

딥 신경망(DNN)은 도메인 이동과 카테고리 이동이 발생할 경우 종종 성능이 저하된다. 이러한 DNN을 어떻게 재활용하고 타겟 작업에 적응시킬 것인지 여전히 중요한 미해결 과제로 남아 있다. 최근 제안된 소스 프리 도메인 적응(Source-free Domain Adaptation, SFDA)을 포함한 비지도 도메인 적응(UDA) 기술은 이 문제를 해결하기 위한 유망한 접근법으로 부상하고 있다. 그러나 기존의 SFDA 방법들은 소스 도메인과 타겟 도메인이 동일한 레이블 공간을 공유해야 한다는 전제를 필요로 하며, 이로 인해 일반적인 폐쇄집합(closed-set) 설정에만 적용 가능하다. 본 논문에서는 이를 한 단계 더 발전시켜 소스 프리 유니버설 도메인 적응(Source-free Universal Domain Adaptation, SF-UniDA)을 탐구한다. 본 연구의 목적은 도메인 및 카테고리 이동 상황에서도 기존에 존재하는(known) 데이터 샘플을 식별하고, 소스 클래스에 포함되지 않은 '알 수 없는(unknown)' 데이터 샘플을 거부하는 것이다. 이는 단지 표준 사전 훈련된 소스 모델의 지식만을 활용하여 달성된다. 이를 위해 우리는 혁신적인 전역 및 국부적 클러스터링 학습 기법(Global and Local Clustering, GLC)을 제안한다. 구체적으로, 다양한 타겟 클래스 간의 구분을 달성하기 위해 새로 설계된 적응형 one-vs-all 전역 클러스터링 알고리즘을 도입하고, 부정적 전이(negative transfer)를 완화하기 위해 국부적 k-NN 클러스터링 전략을 제안한다. 다양한 카테고리 이동 상황(부분집합, 오픈집합, 오픈-부분집합 도메인 적응)을 포함하는 여러 벤치마크에서 GLC의 우수성을 검증하였다. 특히 가장 도전적인 오픈-부분집합 도메인 적응(Open-partial-set DA) 상황에서, VisDA 벤치마크에서 기존의 UMAD 대비 14.8% 높은 성능을 달성하였다. 코드는 다음 주소에서 공개되어 있다: https://github.com/ispc-lab/GLC.