지침 학습을 통한 다중 도메인 혼합 샘플링 개선을 통한 적응형 세그멘테이션

비지도 도메인 적응(UDA)은 소스 도메인에서 학습된 모델이 타겟 도메인에서도 높은 성능을 발휘할 수 있도록 조정하는 것을 목표로 하되, 추가적인 레이블링 작업 없이 수행된다. 도메인 적응형 세그멘테이션 분야, 특히 밀도 높은 예측 문제에 적용되는 UDA의 맥락에서, 이는 비용이 큰 픽셀 단위 레이블링이 필요하지 않도록 하는 것이 핵심이다. 일반적으로 주류 기법들은 도메인 간 차이로 인한 성능 저하를 완화하기 위해 교차 도메인 혼합 샘플링 기법을 활용하여 중간 도메인을 구축하는 방식을 기반으로 한다. 그러나 이러한 접근은 실제 세계의 분포와는 다소 벗어난 합성 데이터를 생성할 수 있으며, 이로 인해 모델이 진정한 타겟 도메인 분포에서 벗어날 위험이 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 새로운 보조 작업인 '가이던스 트레이닝(Guidance Training)'을 제안한다. 이 작업은 교차 도메인 혼합 샘플링 기법을 효과적으로 활용하면서도 실제 세계 분포로부터의 분포 이탈을 최소화하는 데 기여한다. 구체적으로, 가이던스 트레이닝은 혼합된 데이터로부터 타겟 도메인의 특징 분포를 추출하고 재구성하도록 모델을 안내한 후, 재구성된 타겟 도메인 특징을 디코딩하여 가상 레이블 예측을 수행한다. 특히, 가이던스 트레이닝을 도입할 경우 학습 과정에서의 부담은 거의 발생하지 않으며, 추론 과정에 추가적인 부담을 주지 않는다. 제안한 방법을 기존 기법들과 결합하여 실험한 결과, 일관되게 성능 향상이 이루어짐을 입증하였다. 구현 코드는 다음 링크에서 공개될 예정이다: https://github.com/Wenlve-Zhou/Guidance-Training.