自己監督によるセマンティックセグメンテーションのための無指導領域内適応

畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションで著しい進展を遂げています。しかし、これらのアプローチは労力を要する注釈データに大きく依存しています。この制限に対処するために、グラフィックエンジンから生成された自動注釈データがセグメンテーションモデルの訓練に使用されています。しかし、合成データから訓練されたモデルは、実際の画像に転送することが難しいです。この問題に取り組むために、以前の研究は、ソースデータから未ラベルのターゲットデータへのモデルの直接適応を考慮しています（領域間ギャップを減らすため）。しかしながら、これらの技術はターゲットデータ自体の間での大きな分布ギャップ（領域内ギャップ）を考慮していません。本研究では、領域間ギャップと領域内ギャップの両方を最小化するための二段階の自己監督領域適応アプローチを提案します。まず、モデルの領域間適応を行い、この適応からエントロピーに基づくランキング関数を使用してターゲットドメインを簡単な部分と難しい部分に分けます。最後に、領域内ギャップを減少させるために、簡単なサブドメインから難しいサブドメインへの自己監督適応技術を採用することを提案します。多くのベンチマークデータセットにおける実験結果は、既存の最先端アプローチに対する我々の方法の効果を強調しています。ソースコードはhttps://github.com/feipan664/IntraDA.gitで入手できます。