단일 소스 도메인 일반화를 위한 검증 및 학습을 위한 분포 이동 생성

단일 소스 도메인 일반화(Single-source domain generalization)는 소스 도메인에서 모델을 학습하고 이를 미처 본 적 없는 타겟 도메인에 배포하는 것을 목표로 합니다. 단지 소스 도메인 데이터에만 접근할 수 있는 제한은 두 가지 주요 과제를 제기합니다: 일반화 능력을 갖춘 모델을 어떻게 훈련시키고, 그 능력이 실제로 발휘되는지를 어떻게 검증할 것인가입니다. 훈련 분포에서의 검증은 모델의 일반화 능력을 정확히 반영하지 않으며, 테스트 분포에서의 검증은 피해야 하는 부적절한 관행입니다. 이 연구에서는 소스 도메인 이미지를 포괄적인 증강(augmentation) 목록으로 변환하여 독립적인 검증 세트를 구성하였습니다. 이는 타겟 도메인에서 발생할 수 있는 다양한 분포 변화를 포괄적으로 다룹니다. 우리는 여러 방법과 다양한 데이터셋에서 검증 성능과 테스트 성능 사이에 높은 상관관계가 있음을 보여주었습니다. 제안된 검증 방법은 방법 선택 시 표준 검증보다 상대적으로 15.4%의 정확도 개선을, 학습률 조정 시에는 1.6%의 정확도 개선을 달성하였습니다.또한, 우리는 엣지 맵(edge map)을 강화하여 형상 편향(shape bias)을 증가시키는 새로운 방법군(family of methods)을 소개하였습니다. 훈련 중 증강의 이점을 누리면서도 검증 세트의 독립성을 유지하기 위해, k-폴드(k-fold) 검증 프로세스를 설계하여 훈련과 검증에 사용되는 증강 유형을 구분하였습니다. 제안된 방법군 중 증강된 검증 세트에서 최고 성능을 보이는 방법이 선택되었습니다. 이 방법은 다양한 표준 벤치마크에서 최신 기술(state-of-the-art) 수준의 성능을 달성하였습니다. 코드는 다음 링크에서 확인 가능합니다: https://github.com/NikosEfth/crafting-shifts