Abstract

최근 도메인 적응(domain adaptation)에 대한 연구에서는 특징 추출기와 도메인 판별기 네트워크를 공동 학습하여 도메인 불변 특성 표현을 얻기 위해 적대적 학습(adversarial training)을 활용하고 있습니다. 그러나 도메인 적대적 방법은 주어진 작업을 고려하지 않고 도메인 간 분포를 일치시키려 하기 때문에 최적의 성능을 달성하지 못합니다. 본 논문에서는 Drop to Adapt(DTA)라는 방법을 제안하며, 이는 클러스터 가정(cluster assumption)을 강제하여 강력하게 판별 가능한 특징을 학습하기 위해 적대적 드롭아웃(adversarial dropout)을 활용합니다. 이에 따라, 우리는 강건한 도메인 적응을 지원하는 목적 함수를 설계하였습니다. 제안된 방법은 다양한 실험을 통해 효과성을 입증하였으며, 이미지 분류와 의미적 분할(semantic segmentation) 작업에서 일관된 성능 향상을 달성하였습니다. 소스 코드는 https://github.com/postBG/DTA.pytorch에서 확인할 수 있습니다.