Core Concepts
밀집 예측 도메인 적응 문제를 해결하기 위해 최소한의 학습 가능한 매개변수를 사용하여 전체 이미지에 걸쳐 프롬프트를 적용하는 희소 시각적 프롬프트 접근법을 제안한다.
Abstract
이 논문은 밀집 예측 도메인 적응 문제를 해결하기 위한 새로운 접근법인 희소 시각적 프롬프트(SVDP)를 제안한다. 기존의 밀집 프롬프트 방식은 프롬프트가 배치된 영역의 연속적인 공간 정보를 가리기 때문에 문맥 정보 추출과 도메인 지식 추출에 한계가 있다. 이를 해결하기 위해 SVDP는 전체 이미지에 걸쳐 최소한의 학습 가능한 매개변수를 적용하여 더 많은 공간 정보를 보존한다. 또한 도메인 프롬프트 배치(DPP) 방법을 통해 분포 변화가 큰 픽셀에 프롬프트 매개변수를 적응적으로 할당하고, 도메인 프롬프트 업데이트(DPU) 전략을 통해 각 샘플에 대해 프롬프트 매개변수를 다르게 최적화하여 효율적인 도메인 적응을 실현한다. 실험 결과, 제안 방법은 의미 분할 및 깊이 추정 TTA와 CTTA 벤치마크에서 최신 기술 대비 우수한 성능을 보였다.
Stats
소스 모델의 의미 분할 mIoU는 56.7%이다.
제안 방법의 의미 분할 mIoU는 60.1%로, 기존 최신 기술 대비 4.4% 향상되었다.
제안 방법의 깊이 추정 δ > 1.25 지표는 64.8%로, 기존 최신 기술 대비 7.5% 향상되었다.
Quotes
"밀집 프롬프트는 배치된 영역의 연속적인 공간 정보를 가리기 때문에 문맥 정보 추출과 도메인 지식 추출에 한계가 있다."
"SVDP는 전체 이미지에 걸쳐 최소한의 학습 가능한 매개변수를 적용하여 더 많은 공간 정보를 보존한다."
"DPP와 DPU 전략을 통해 픽셀 단위 도메인 변화를 효과적으로 완화할 수 있다."