모형 크기만으로 해결되지 않는 차이
소스 학습 자료와 미지의 타깃 자료 사이에 큰 차이가 있으면 표현력을 늘려도 성능 저하가 쉽게 해결되지 않을 수 있다. CBST는 타깃 주석 없이 이 도메인 차이에 대응하는 자기 학습 틀에서 제안됐다.
예측과 학습의 교대
타깃 자료의 의사 레이블을 생성하고 그 레이블로 모형을 다시 학습하는 절차를 교대로 수행한다. 문제를 잠재 변수 손실의 최소화로 정식화한다. 예측이 학습 자료로 돌아오는 만큼 오류가 반복될 가능성도 고려해야 한다.
범주 균형과 공간 정보
범주 균형 자기 학습은 의사 레이블 생성에서 큰 범주가 점차 지배하는 문제를 피하려 한다. 생성한 레이블을 다듬기 위해 공간 사전도 도입한다. 균형 조정과 각 픽셀의 정답 확인은 같은 작업이 아니다.
선택 편향의 독립 예
설명용으로 자신 있는 도로 픽셀만 계속 선택하면 드문 자전거 영역은 학습에서 빠질 수 있다. 선택된 의사 레이블 수가 늘어도 범주별 정보가 고르게 늘었다고 볼 수 없다. 실제 연구 수치를 옮기지 않은 균형 필요성의 예다.
관련 문서
도메인 적응 / DAFormer / DACS / ProDA 도메인 적응 / Refign / 의미 분할