환경 변화와 분할 성능
학습한 장면과 실제 시험 환경의 자료 분포가 다르면 의미 분할의 성능이 낮아질 수 있다. ADVENT는 이런 영역 차이를 정답이 없는 목표 자료에 적응하는 문제로 다룬다.
예측의 불확실성 활용
픽셀마다 출력되는 예측의 엔트로피를 학습 신호로 사용한다. 목표 픽셀의 정답 주석을 받는 대신 모델 출력이 가진 정보를 적응 목적에 반영한다.
두 가지 상보적 접근
연구는 엔트로피 손실을 쓰는 방법과 적대적 손실을 쓰는 방법을 각각 제시했다. 같은 픽셀 예측 정보를 다른 학습 구성으로 활용하는 상보적 접근이다.
분할과 검출의 평가
두 가지 합성 자료에서 실제 자료로의 의미 분할 전이 조건을 평가했다. 같은 접근을 검출에도 사용할 수 있음을 실험으로 제시했다.
관련 문서
출력 공간 도메인 적응 / CyCADA / Tent 시험 시점 적응 / CDAN / 도메인 적대 신경망 / Deep CORAL