G2L: 비지도 도메인 적응 세그멘테이션을 위한 글로벌에서 로컬로의 정렬 방법

무 supervision 도메인 적응(UDA)을 통한 의미 분할은 레이블이 풍부한 소스 데이터셋에서의 밀도 높은 픽셀 단위 레이블을 레이블이 없는 타겟 데이터셋으로 지식을 전이하는 것을 목표로 한다. 그러나 UDA 방법의 성능은 두 도메인 간의 특징 분포 차이, 즉 도메인 전이(domain shift)로 인해 저하되는 경우가 많다. 기존 연구들은 이미지 수준에서 이러한 분포를 부분적으로 일치시키는 시도를 해왔다. 그러나 카테고리 수준의 도메인 전이라는 문제로 인해, 이러한 전역적 일치는 타겟 도메인에서 서로 다른 카테고리로부터 추출된 깊은 특징의 구분 가능성(good separability)을 보장하지 못한다. 그 결과 생성된 가짜 레이블(pseudo-labels)은 노이즈가 많아지며, 이는 타겟 도메인에서의 학습 과정을 악화시킨다. 최근 일부 방법들은 카테고리별 정보를 활용하여 가짜 레이블을 실시간으로 정제하는 데 초점을 맞추고 있다. 본 논문은 새로운 색채 푸리에 변환(chromatic Fourier transform)과 세밀한 적대적 훈련을 활용하여 이미지 수준의 도메인 전이를 전역적인 관점에서 해결하는 새로운 UDA 방법인 Global-to-Local alignment(G2L)을 제안한다. 이후 본 방법은 국소적 관점에서 카테고리 수준의 도메인 전이를 다룬다. 구체적으로, 희귀 카테고리를 우선적으로 고려하기 위해 긴 꼬리 카테고리 평가 전략(long-tail category rating strategy)을 도입하고, 가짜 레이블 생성 및 정제 과정에서 동적 신뢰도 임계값(dynamic confidence thresholds)과 카테고리별 우선순위 가중치(category-wise priority weights)를 적용한다. 마지막으로, 자기 자기 정제(self-distillation)를 통해 최종 분할 성능을 향상시킨다. GTA5 → Cityscapes 및 SYNTHIA → Cityscapes와 같은 대표적인 벤치마크에서의 실험 결과, 본 방법은 기존 최고 수준의 방법들보다 뛰어난 정확도 성능을 달성함을 보였다.