PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2303.18031v2cs.CV공식 코드 · Papers with Code

단순한 도메인 일반화 방법은 오픈 도메인 일반화를 위한 강력한 베이스라인

Simple Domain Generalization Methods are Strong Baselines for Open Domain Generalization

실제 애플리케이션에서 머신러닝 모델은 추론 단계에서 알 수 없는 클래스가 등장하는 오픈셋 인식(OSR)과 학습 및 추론 단계 간 데이터 분포가 달라지는 도메인 이동(domain shift)을 모두 처리해야 합니다. 도메인 일반화(DG)는 모델 학습 시 추론 단계의 타겟 도메인에 접근할 수 없는 도메인 이동 상황을 처리하는 것을 목표로 합니다. 오픈 도메인 일반화(ODG)는 DG와 OSR을 모두 고려합니다. 도메인 증강 메타러닝(DAML)은 ODG를 목표로 하는 방법이지만, 학습 과정이 복잡합니다. 이에 반해 다양한 DG 방법이 제안되었으나, ODG 상황에서는 평가되지 않았습니다. 본 연구에서는 기존 DG 방법을 ODG 환경에서 포괄적으로 평가하였으며, 두 가지 단순한 DG 방법인 상관관계 정렬(CORAL)과 최대 평균 차이(MMD)가 여러 경우에서 DAML과 경쟁력이 있음을 보여줍니다. 또한, DAML에서 사용된 앙상블 학습(ensemble learning) 및 디리클레 믹스업(Dirichlet mixup) 데이터 증강(data augmentation)과 같은 기법을 도입하여 CORAL과 MMD의 단순한 확장 버전을 제안합니다. 실험 평가 결과, 확장된 CORAL과 MMD는 더 낮은 계산 비용으로 DAML과 대등한 성능을 발휘할 수 있음을 확인했습니다. 이는 단순한 DG 방법과 그 단순한 확장들이 ODG를 위한 강력한 베이스라인이 될 수 있음을 시사합니다