학습 전에 외형 차이 줄이기
합성 자료에는 조밀한 주석을 얻기 쉬워도 실제 이미지의 주석은 비용이 크다. FDA는 두 도메인 사이의 차이를 줄이는 단순 변환을 제안해 실제 타깃의 주석 없이 의미 분할에 적응하는 문제를 다룬다.
주파수 정보를 통한 정렬
소스와 타깃의 저주파 스펙트럼을 교환하는 방식으로 분포 차이를 줄인다. 주파수 성분을 조절하는 것과 타깃의 특정 물체 영역을 복사해 붙이는 것은 다른 접근이다. 타깃의 정답 레이블을 가져오는 방식도 아니다.
변환 학습과 분할 학습의 구별
정렬 변환에는 별도의 학습 없이 푸리에 변환과 역변환을 사용한다. 이것이 최종 의미 분할망도 학습하지 않는다는 뜻은 아니다. 자료 변환 과정의 비용과 분할망 학습의 비용은 따로 이해해야 한다.
외형 변화의 독립 예
설명용으로 합성 거리 영상의 전반적인 색감이 실제 영상과 가까워져도 신호등의 범주를 자동으로 올바르게 예측하는 것은 아니다. 분포 차이 완화와 인식 성공은 별개다. 실제 연구 이미지를 옮기지 않은 변환의 한계 예다.