Semantic segmentation is a branch of scene understanding that can be used to perceive urban driving scenes in applications such as self-driving cars. However, existing models are trained on clear weather images, and they suffer from performance degradation when weather, season, and brightness changes. To address this issue, unsupervised domain adaptation methods have been proposed to adapt models trained on clear weather to adverse weather without ground-truth. The previous methods either utilizes reference images captured in clear weather from the same locations as the target images to address the domain gap or employs a visual boosting module for enhancement. However, all of these methods assume that the target domain follows a single distribution. In this paper, we show that the distributions in adverse weather conditions are significantly different. Therefore, it is necessary to adapt the models separately, rather than treating them as a single domain. To this end, we propose to train two Subdomain-Specialized Teachers, one for fog,rain and snow and another for night respectively. The knowledge of the two different subdomains is distilled to the student in an online manner with symmetric cross-entropy. This allows the student to have complementary knowledge from each weather domain. Our approach demonstrates the effectiveness of subdomain-specific methods by significantly reducing the performance gap between fog, rain, and snow conditions and night conditions.
의미론적 분할은 자율 주행 자동차와 같은 응용 프로그램에서 도시 주행 장면을 인지하는 데 사용될 수 있는 장면 이해의 한 분야다. 그러나 기존 모델은 맑은 날씨 이미지로 훈련되어 있으며, 날씨, 계절 및 밝기 변경 시 성능 저하가 발생한다. 이 문제를 해결하기 위해 맑은 날씨에서 훈련된 모델을 지상 실측 없이 악천후에 맞게 적응시키기 위한 비지도 도메인 적응 방법이 제안되었다. 이전 방법은 대상 이미지와 동일한 위치에서 촬영한 맑은 날씨의 참조 이미지를 사용하여 도메인 간 격차를 해결하거나 강화를 위해 시각적 부스팅 모듈을 사용한다. 그러나 이러한 모든 방법은 대상 도메인이 단일 분포를 따른다고 가정한다. 본 논문에서는 악천후 조건에서의 분포가 크게 다르다는 것을 보여준다. 따라서 이를 단일 도메인으로 취급하는 대신 모델을 각각 적응시키기 위해 안개, 비 및 눈에 대한 하나의 하위 도메인 특화 교사 모델과 다른 하나는 야간에 대한 하위 도메인 특화 교사 모델를 훈련하는 것을 제안한다. 두 가지 다른 서브도메인의 지식이 학생에게 대칭 교차 엔트로피를 사용하여 온라인으로 전달된다. 이로써 학생은 각 날씨 도메인에서 보완적인 지식을 갖게 된다. 우리의 방법은 안개, 비 및 눈 상태에서의 성능과 야간 상태에서의 성능 차이를 크게 줄임으로써 하위 도메인 특화 방법이 유효함을 입증한다.