선택적 교차도메인 정렬을 통한 객체 탐지기의 적응

최첨단 객체 탐지기는 일반적으로 공개 데이터셋을 기반으로 학습된다. 그러나 이미징 조건이 크게 달라지는 다른 도메인에 적용할 경우, 해당 도메인에 대한 레이블링된 데이터가 부족하거나 확보하는 데 비용이 많이 드는 상황에서 상당한 어려움을 겪는다. 이에 대한 자연스러운 해결책은 두 도메인 간 이미지 표현을 정렬함으로써 모델을 적응시키는 것이다. 예를 들어, 적대적 학습을 통해 이를 달성할 수 있으며, 이미지 분류와 같은 과제에서는 효과가 입증된 바 있다. 그러나 본 연구에서는 객체 탐지 과제에서 이러한 방식으로 얻는 성능 향상이 매우 제한적임을 발견하였다. 그 중요한 이유 중 하나는 기존의 도메인 적응 기법들이 이미지를 전반적으로 정렬하려는 데 집중하는 반면, 객체 탐지의 본질은 관심 있는 객체를 포함할 수 있는 국소적 영역에 초점을 맞추기 때문이다. 이러한 관점에서, 우리는 '어디를 볼 것인가'와 '어떻게 정렬할 것인가'라는 문제를 해결하기 위한 객체 탐지용 새로운 도메인 적응 방안을 제안한다. 본 연구의 핵심 아이디어는 객체 탐지에 직접적으로 관련된 구분력 있는 영역(즉, discriminative regions)을 탐색하고, 이들 영역을 두 도메인 간에 집중적으로 정렬하는 것이다. 실험 결과, 제안한 방법은 다양한 도메인 전이 시나리오에서 기존 방법보다 약 4%~6% 정도 우수한 성능을 보이며, 우수한 확장성도 유지함을 확인하였다.