画風変換に基づく教師なしドメイン適応に関する研究

点击翻译按钮获取中文摘要

本年度は，昨年度に構築した画像の変換結果の多様性および画像内の物体毎の画風を考慮した画風変換手法を応用し，意味的領域分割における教師無しドメイン適応手法を構築した．昨年度に構築した画風変換手法による多様な変換結果を活用し，ドメイン内画風に不変な特徴表現を学習することで，ドメイン適応の頑健性を向上させた．具体的に，本年度の研究では，一枚のソースドメインまたはターゲットドメインの画像に対して画風変換を行い，ランダムでドメイン内の画風を二回サンプリングすることで，ドメイン内における2枚の画風の異なる変換結果を取得した．その上で，取得された変換画像を用いて学生モデルおよび教師モデルから構築されるself-ensembling手法によりドメイン適応を行った．本技術の実現によって，画像内の内容が同様でありながらドメイン内画風が異なる変換画像を用いることで，ドメイン内画風に不変な特徴表現を学習することが可能となり，研究計画における「教師無しのターゲットドメインにおける領域分割精度の向上」を実現した．上記の研究成果を踏まえて，本年度に実施した研究活動は，昨年度に立てた研究実施計画通り，順調に進展している．また，本年度の研究では，昨年度に立てた計画になかったsource-data-freeドメイン適応に関する研究を行った．具体的に，従来の教師無しドメイン適応手法はソースドメインデータを必要としている．しかしながら，実世界の応用では，個人情報保護などの観点からソースドメインデータの利用が制限されている場合が多く存在する．このような場合に対してドメイン適応を応用するために，ソースドメインデータの代わりにソースドメインの学習済みモデルを利用するsource-data-freeドメイン適応手法を構築した．以上のように，本来計画した研究成果の応用範囲を広げた計画以上の成果を挙げることができた．