Core Concepts
혼합 데이터 샘플링 기법의 한계를 극복하기 위해 지도 학습 기반의 Guidance Training을 제안하여 실세계 분포와 일치하는 모델 예측을 달성한다.
Abstract
이 논문은 비지도 도메인 적응 (UDA) 세그멘테이션 문제를 다룬다. 기존의 다양한 방법들은 소스 도메인과 타겟 도메인 간의 격차를 줄이기 위해 크로스 도메인 혼합 샘플링 기법을 활용한다. 그러나 이러한 접근법은 실세계 분포와 동떨어진 합성 데이터를 생성하여 모델의 성능을 저하시킬 수 있다.
이 논문에서는 Guidance Training이라는 새로운 보조 작업을 제안한다. Guidance Training은 혼합 데이터에서 추출된 특징을 활용하여 원본 타겟 도메인 이미지의 의사 레이블을 예측하도록 모델을 학습시킨다. 이를 통해 실세계 분포와 일치하는 모델 예측을 달성할 수 있다. Guidance Training은 최소한의 추가 비용으로 구현되며, 추론 단계에서는 추가 부담 없이 적용할 수 있다.
실험 결과, Guidance Training을 기존의 UDA 방법들과 결합하여 적용하면 일관되게 성능이 향상되는 것을 확인할 수 있다. 특히 어려운 클래스 (오토바이, 자전거 등)에서 큰 성능 향상을 보였다.
Stats
혼합 이미지에서 소스 도메인 특징이 차지하는 비율이 높을수록 타겟 도메인 의사 레이블 예측이 어려워진다.
이를 고려하여 불확실성 추정 계수 β를 도입하여 동적으로 학습 강도를 조절한다.
Quotes
"혼합 데이터 샘플링 기법의 한계를 극복하기 위해 지도 학습 기반의 Guidance Training을 제안한다."
"Guidance Training은 최소한의 추가 비용으로 구현되며, 추론 단계에서는 추가 부담 없이 적용할 수 있다."