단일 도메인 일반화를 위한 중심 인식 적대적 증강

도메인 일반화(Domain Generalization, DG)는 서로 다른 분포에서 나온 미지의 테스트(즉, 타겟) 데이터에 대해 잘 일반화할 수 있도록, 여러 개의 학습(즉, 소스) 도메인에서 모델을 학습하는 것을 목표로 한다. 최근에는 학습 시점에 하나의 소스 도메인만 존재하는 더 도전적이나 현실적인 설정을 다루기 위해 단일 도메인 일반화(Single Domain Generalization, SingleDG)가 등장하였다. 기존의 SingleDG 접근 방식은 주로 데이터 증강 기법에 기반하며, 소스 도메인 외부의 샘플을 증강함으로써 소스 데이터의 분포를 확장하는 데 초점을 맞춘다. 일반적으로 이러한 방법들은 분류기의 오류를 유도하기 위해 어려운 예시(hard examples)를 생성하려는 목적을 가진다. 그러나 이러한 방식은 소규모의 변형에 대해 분류기가 강건해지도록 도와줄 수는 있으나, 대규모 도메인 전이(domain shift)를 충분히 모사하기에는 생성된 샘플의 다양성이 부족하여 최적의 일반화 성능을 달성하기 어렵다. 이러한 문제를 완화하기 위해, 우리는 새로운 각도 중심 손실(angular center loss)을 활용하여 소스 샘플을 변형함으로써 클래스 중심에서 멀어지도록 유도하는 중심 인식 중심의 적대적 증강 기법을 제안한다. 제안된 방법의 효과를 검증하기 위해 여러 기준 데이터셋에 대해 광범위한 실험을 수행하였으며, 대부분의 경우 기존 최고 수준의 기법들을 능가하는 성능을 보였다.