内部表現を用いた意味的画像セグメンテーションのためのソースフリー領域適応

注釈付きデータで訓練された意味的セグメンテーションモデルは、入力データ分布が長期にわたって変化すると一般化がうまくいかず、性能を維持するために再訓練が必要になります。古典的な教師なし領域適応（UDA）は、注釈付きデータポイントがないターゲット領域が存在する場合に、注釈付きデータを持つソース領域から知識を転送することで、類似の問題に対処しようとします。私たちは、適応中にソースデータへのアクセスが制限されるシナリオで、未注釈領域へのモデル一般化を改善する画像の意味的セグメンテーションのためのオンラインUDAアルゴリズムを開発しました。私たちは、共有埋め込み空間におけるソース潜在特徴とターゲット特徴の間の分布距離を最小化することでモデル適応を行います。我々の解決策は、二つの領域間で共有ドメインに依存しない潜在特徴空間を促進し、ターゲットデータセットにおける分類器の一般化を可能にします。適応中にソースサンプルへのアクセスが必要なことを軽減するために、適切な代理分布、ここではガウス混合モデル（GMM）を介してソース潜在特徴分布を近似します。