초록
도메인 적응형 패노픽 세그멘테이션은 자연 장면 이해에서 긴 꼬리 현상에 해당하는 극단적인 케이스들을 해결할 수 있는 가능성을 제시한다. 기존 최첨단 기술은 교차 작업 일관성, 철저한 시스템 수준 최적화, 그리고 교사 예측에 대한 히우리스틱적 개선을 통해 이 문제를 다루었다. 반면, 본 연구에서는 마스크 트랜스포머가 자체 예측 불확실성을 추정할 수 있는 놀라운 능력을 기반으로 새로운 접근을 제안한다. 제안하는 방법은 패노픽 교사 예측의 세밀한 신뢰도를 활용함으로써 노이즈 증폭을 피한다. 특히, 마스크 단위의 신뢰도를 손실 함수에 조절적으로 적용하고, 교사 예측이 불확실하거나 학생 모델이 확신을 갖는 픽셀에서는 역전파를 억제한다. 표준 벤치마크에서의 실험 평가 결과, 제안하는 선택 기법이 상당한 기여를 한다는 것이 확인되었다. Synthia에서 Cityscapes로의 도메인 전이 시 47.4 PQ를 기록하며, 기존 최고 성능 대비 6.2%포인트의 성능 향상을 달성하였다. 소스 코드는 https://github.com/helen1c/MC-PanDA 에서 공개되어 있다.