픽셀 정답의 비용
의미 분할은 이미지의 각 픽셀에 정답을 제공하는 학습이 필요하다. 새 영역에 같은 수준의 주석을 만드는 부담 때문에 기존 영역의 정답을 다른 환경에 활용하는 적응이 중요하다.
출력에 남는 공간 구조
원천과 목표의 영상 외관이 달라도 분할 결과에는 공간적인 유사성이 있을 수 있다. 연구는 분할을 구조화된 출력으로 보고 이 공간에서 적대적 학습을 수행한다.
여러 수준의 적대 학습
하나의 출력만 정렬하는 데서 더 나아가 다중 수준의 적대적 네트워크를 구성했다. 서로 다른 특징 수준에서 출력 공간 적응을 수행하도록 설계했다.
합성 전이와 도시 간 전이
연구는 합성 자료에서 실제 자료로 옮기는 조건과 도시가 달라지는 조건을 평가했다. 구성요소를 제거하는 실험도 수행해 각 설계의 역할을 비교했다.
관련 문서
ADVENT / CyCADA / 픽셀 수준 도메인 적응 / Deep CORAL / 도메인 적대 신경망 / DRCN 도메인 적응