초록
다양한 훈련 데이터의 부족, 접근할 수 없는 대상 데이터, 그리고 많은 실제 환경에서 발생할 수 있는 큰 도메인 간 차이로 인해 미지의 이미지 도메인으로의 일반화는 어려운 문제입니다. 이러한 문제를 해결하기 위한 도메인 일반화 방법론에서 데이터 증강은 중요한 구성 요소입니다. 본 연구에서는 어려운 단일 소스 도메인 일반화 환경에서 이미지 증강을 생성하는 새로운 알고리즘인 적대적 베이지안 증강(Adversarial Bayesian Augmentation, ABA)을 제시합니다. ABA는 적대적 학습과 베이지안 신경망의 장점을 활용하여 다양한 데이터 증강을 생성하는 데 사용됩니다. 이러한 합성된 이미지 도메인이 분류기의 미지 도메인으로의 일반화를 돕습니다. 우리는 스타일 변화, 하위 집단 변화, 그리고 의료 영상 환경에서의 변화 등 여러 유형의 도메인 간 차이에 대해 ABA의 강점을 입증합니다. ABA는 사전 지정된 증강, 픽셀 기반 및 컨볼루션 기반 증강을 포함한 모든 이전 최신 방법론보다 우수한 성능을 보입니다.