스타일 가이드 적대적 교사 기반의 도메인 간 객체 탐지

교사–학생 프레임워크는 도메인 간 객체 탐지에 널리 사용됩니다. 그러나 두 가지 문제에 직면해 있습니다. 하나는 큰 분포 불일치가 심각한 성능 저하를 초래한다는 것입니다. 다른 하나는 두 도메인의 전체 분포에서 벗어난 샘플이 모델을 크게 오도할 수 있다는 것입니다. 이러한 문제를 해결하기 위해, 우리는 도메인 적응을 위한 스타일 가이드 적대적 교사(SGAT) 방법을 제안합니다. 구체적으로, 도메인 수준에서는 소스 이미지를 기반으로 타겟과 유사한 이미지를 생성하여 도메인 간의 간극을 효과적으로 좁힙니다. 샘플 수준에서는 '타겟 스타일'과 타겟 분포의 확률 밀도 비율을 추정하여 샘플의 노이즈를 제거함으로써 관련 없는 샘플을 걸러내고 관련 있는 샘플을 강조합니다. 이러한 방식으로 신뢰할 수 있는 샘플을 보장할 수 있습니다. 이러한 신뢰할 수 있는 샘플로 우리는 교사–학생 상호 학습과 적대적 학습을 통해 도메인 불변 특성을 학습합니다. 광범위한 실험을 통해 우리의 방법의 효과가 검증되었습니다. 특히, 우리는 Clipart1k에서 52.9% mAP, Comic2k에서 42.7%를 달성했으며, 이는 비교 기준보다 각각 6.4% 및 5.0% 높은 수치입니다.