Kernkonzepte
중요도 인식 메커니즘을 통해 소스 모델의 도메인 불변 지식을 추출하고, 프로토타입 대조 전략을 통해 타겟 도메인의 도메인 특화 지식을 학습하여 소스 데이터 없이 타겟 도메인에 효과적으로 적응할 수 있는 모델을 제안한다.
Zusammenfassung
이 논문은 소스 데이터에 접근할 수 없고 타겟 도메인의 레이블도 없는 상황에서 도메인 적응형 의미 분할 문제를 해결하기 위한 방법을 제안한다.
중요도 인식 메커니즘:
소스 모델이 타겟 데이터를 예측할 때 도메인 간 차이로 인한 편향된 예측 확률 분포를 관찰
이를 활용하여 소스 모델에서 도메인 불변 지식을 효과적으로 추출
프로토타입 대조 전략:
지연 업데이트 메모리 네트워크를 통해 프로토타입을 추정하고, 이를 활용하여 타겟 도메인의 도메인 특화 지식 학습
프로토타입 대칭 교차 엔트로피 손실과 프로토타입 강화 교차 엔트로피 손실을 통해 특징 및 출력 수준에서 타겟 과제에 대한 모델의 적합성 향상
실험 결과:
GTA5 → Cityscapes와 SYNTHIA → Cityscapes 벤치마크에서 기존 최신 방법들을 능가하는 성능 달성
소스 데이터 없이도 효과적으로 타겟 도메인에 적응할 수 있음을 입증
Statistiken
소스 모델이 타겟 데이터를 예측할 때 가장 큰 확률과 두 번째로 큰 확률의 차이가 도메인 간 지식 편향을 나타낸다.
제안한 중요도 인식 메커니즘은 이러한 편향을 효과적으로 억제할 수 있다.
Zitate
"중요도 인식 메커니즘은 도메인 간 편향을 효과적으로 억제할 수 있다."
"프로토타입 대칭 교차 엔트로피 손실과 프로토타입 강화 교차 엔트로피 손실을 통해 특징 및 출력 수준에서 타겟 과제에 대한 모델의 적합성을 향상시킬 수 있다."