SF(DA)$^2$: 데이터 증강의 관점에서 본 소스 프리 도메인 적응

딥러닝 모델이 도메인 전이(distribution shift)에 취약하다는 문제에 직면하여, 소스 도메인 데이터에 접근할 수 없더라도 새로운 미관측 타겟 도메인에 모델을 적응시킬 수 있는 소스 프리 도메인 적응(Source-free Domain Adaptation, SFDA) 기법이 제안되었다. 데이터 증강(data augmentation)을 SFDA에 적용할 경우 잠재적인 이점은 매력적이지만, 클래스 보존 변환에 대한 사전 지식에 의존해야 하는 문제와 메모리 및 계산 요구량 증가 등의 도전 과제가 존재한다. 본 논문에서는 이러한 문제를 겪지 않으면서 데이터 증강의 이점을 효과적으로 활용하는 새로운 접근법인 '데이터 증강의 관점에서 본 소스 프리 도메인 적응(SF(DA)$^2$)'을 제안한다. 우리는 사전 학습된 모델의 특징 공간에서 타겟 특징 간의 이웃 관계를 기반으로 증강 그래프(augmentation graph)를 구축하고, 스펙트럴 이웃 클러스터링(spectral neighborhood clustering)을 도입하여 예측 공간 내의 분할 영역을 식별한다. 또한, 특징 공간 내의 클래스 의미 정보를 효과적으로 활용하기 위해 암묵적 특징 증강(implicit feature augmentation)과 특징 분리(feature disentanglement)을 정규화 손실 함수로 제안한다. 이러한 정규화 항은 증강 그래프에 무제한의 증강된 타겟 특징을 포함하는 것과 유사한 효과를 시뮬레이션하면서도 계산 및 메모리 부담을 최소화한다. 제안된 방법은 2차원 이미지 및 3차원 포인트 클라우드 데이터셋을 포함한 다양한 SFDA 시나리오에서 우수한 적응 성능을 보이며, 극도로 불균형한 데이터셋에서도 뛰어난 성능을 나타낸다.