도메인 간 새로운 카테고리 탐지 성능 향상을 위한 소프트 컨트라스티브 학습과 올인원 분류기

비지도 도메인 적응(UDA)은 레이블이 풍부한 소스 도메인에서 레이블이 부족한 타겟 도메인으로 지식을 효과적으로 전이하는 데 성공적으로 활용되어 왔다. 그러나 타겟 도메인 내에 추가적인 새로운 카테고리가 존재함에 따라 개방 집합 도메인 적응(ODA) 및 유니버설 도메인 적응(UNDA)이 등장하였다. 기존의 ODA 및 UNDA 방법들은 모든 새로운 카테고리를 하나의 통합된 미지 클래스로 취급하고, 학습 과정에서 이를 탐지하려는 시도를 한다. 그러나 본 연구에서는 도메인 간 차이가 비지도 데이터 증강에서 더 심각한 시각 노이즈( view-noise)를 유발할 수 있음을 발견하였으며, 이는 대조 학습(contrastive learning, CL)의 효과성을 저해하고 모델이 새로운 카테고리 탐지에 대해 과도하게 확신을 갖게 만든다는 문제를 야기한다. 이러한 문제를 해결하기 위해, ODA 및 UNDA 작업에 적합한 새로운 프레임워크인 소프트 대조 전체 통합 네트워크(Soft-contrast All-in-one Network, SAN)를 제안한다. SAN은 백본의 특징 전이를 정밀하게 조정하기 위한 새로운 데이터 증강 기반의 소프트 대조 학습(SCL) 손실 함수와, 새로운 카테고리 탐지 능력을 향상시키기 위한 더 인간 중심적인 분류기로 구성된다. SCL 손실은 도메인 전이 작업에서 더욱 악화되는 데이터 증강 시각 노이즈의 부정적 영향을 완화한다. 또한, 전체 통합(AIO) 분류기는 현재 주류인 폐쇄 집합 및 개방 집합 분류기들이 보이는 과도한 확신 문제를 극복한다. 시각화 및 제거 실험을 통해 제안된 기법들의 효과성을 입증하였으며, ODA 및 UNDA에 대한 광범위한 실험 결과를 통해 SAN이 기존 최고 수준의 방법들을 모두 능가함을 확인하였다.