核心概念
제안된 IIDM 프레임워크는 도메인 간 혼합과 도메인 내 혼합을 동시에 활용하여 소스 도메인과 타겟 도메인 간의 격차를 완화하고 레이블된 타겟 데이터와 레이블되지 않은 타겟 데이터 간의 격차를 줄임으로써 의미 분할 성능을 크게 향상시킨다.
摘要
본 논문은 세미 감독 도메인 적응(SSDA) 문제에 대한 새로운 접근법을 제안한다. 기존 SSDA 방법들은 주로 레이블되지 않은 타겟 데이터와 소스 데이터를 활용하는 데 초점을 맞추었지만, 레이블된 타겟 데이터의 잠재력을 충분히 활용하지 못했다.
제안된 IIDM 프레임워크는 다음과 같은 특징을 가진다:
- 도메인 간 혼합: 소스 데이터와 레이블되지 않은 타겟 데이터를 혼합하여 도메인 간 격차를 완화한다.
- 도메인 내 혼합: 레이블된 타겟 데이터와 레이블되지 않은 타겟 데이터를 혼합하여 도메인 내 격차를 줄인다.
- 도메인 간 혼합과 도메인 내 혼합을 동시에 활용하여 도메인 간 격차와 도메인 내 격차를 모두 해소한다.
실험 결과, IIDM은 기존 SSDA 방법들을 크게 능가하는 성능을 보였다. 특히 레이블된 타겟 데이터가 부족한 경우에도 뛰어난 성능을 발휘했다.
統計資料
레이블된 타겟 데이터가 100개일 때, IIDM은 기존 SSDA 방법 대비 +8.3% mIoU 향상을 달성했다.
레이블된 타겟 데이터가 200개일 때, IIDM은 70.0% mIoU를 기록했다.
레이블된 타겟 데이터가 500개일 때, IIDM은 70.6% mIoU를 기록했다.
레이블된 타겟 데이터가 1000개일 때, IIDM은 72.8% mIoU를 기록했다.
引述
"제안된 IIDM 프레임워크는 도메인 간 혼합과 도메인 내 혼합을 동시에 활용하여 소스 도메인과 타겟 도메인 간의 격차를 완화하고 레이블된 타겟 데이터와 레이블되지 않은 타겟 데이터 간의 격차를 줄임으로써 의미 분할 성능을 크게 향상시킨다."
"IIDM은 기존 SSDA 방법들을 크게 능가하는 성능을 보였다. 특히 레이블된 타겟 데이터가 부족한 경우에도 뛰어난 성능을 발휘했다."