합성에서 실제로의 차이
모델이 시뮬레이션 자료에서 잘 학습해도 실제 이미지에 같은 성능으로 적용되지는 않을 수 있다. VisDA 2017은 이 시뮬레이션에서 현실로의 영역 변화를 중심으로 구성됐다.
정답 없는 목표 영역
원천의 합성 자료로 먼저 모델을 학습한 뒤 목표의 실제 자료에 적응한다. 시험 목표 영역의 추가 정답 지도 없이 성능을 높이는 비지도 적응 조건이다.
분류와 분할의 트랙
분류 자료는 학습과 검증 및 시험 영역을 합쳐 12개 범주와 28만 개 이상 이미지로 구성된다. 분할 자료는 세 영역에 걸쳐 18개 범주와 3만 개 이상 이미지를 포함한다.
기준 방법의 비교
초기 연구는 기존 영역 적응 데이터셋과 차이를 비교하고 여러 적응 모델의 기준 성능을 분석했다. 두 과제에서 합성 자료의 지식을 실제 환경으로 옮기는 능력을 살핀다.
관련 문서
DomainNet / Office-Home / SHOT / CDAN / MCC 도메인 적응 / DANCE 도메인 적응