단일 영역 일반화를 위한 점진적 랜덤 컨볼루션

단일 도메인 일반화는 하나의 소스 도메인만을 사용하여 임의의 미확인 대상 도메인에서 잘 수행되는 일반화 모델을 훈련시키는 것을 목표로 합니다. 랜덤 컨볼루션(RandConv) 기반 이미지 증강은 각 미니 배치에 대해 무작위로 초기화된 단일 컨볼루션 계층으로 구성되어 있으며, 이 방법은 간단하고 경량 구조에도 불구하고 로컬 텍스처를 왜곡함으로써 일반화 가능한 시각적 표현을 학습할 수 있게 합니다. 그러나 RandConv는 커널 크기가 증가함에 따라 생성된 이미지가 쉽게 의미론적 정보를 잃고, 단일 컨볼루션 연산의 본질적인 다양성이 부족하다는 구조적 한계가 있습니다.이 문제를 해결하기 위해, 우리는 작은 커널 크기를 가진 랜덤 컨볼루션 계층을 재귀적으로 쌓는 대신 커널 크기를 증가시키는 방법으로 프로그레시브 랜덤 컨볼루션(Pro-RandConv) 방법을 제안합니다. 이 점진적인 접근 방식은 이론적인 수용 필드에서 중심에서 멀리 떨어진 픽셀들의 영향을 줄여서 의미론적 왜곡을 완화할 수 있을 뿐 아니라, 스타일 다양성을 점차적으로 늘림으로써 더 효과적인 가상 도메인을 생성할 수 있습니다.또한, 우리는 기본적인 랜덤 컨볼루션 계층을 변형 오프셋과 아핀 변환을 포함하는 랜덤 컨볼루션 블록으로 발전시켜, 텍스처와 대비의 다양성을 지원하도록 하였으며, 이들 역시 무작위로 초기화됩니다. 복잡한 생성기나 적대적 학습 없이도, 우리의 간단하면서도 효과적인 증강 전략이 단일 도메인 일반화 벤치마크에서 최신 기술들을 능가한다는 것을 입증하였습니다.