본 논문은 소스 데이터 없이 타겟 도메인에 적응해야 하는 소스 없는 도메인 적응 객체 탐지(SF-DAOD) 문제에 초점을 맞춥니다. 기존의 대부분의 접근 방식은 소스 사전 학습 모델을 통해 생성된 의사 레이블을 사용하여 미세 조정하는 학생-교사(ST) 프레임워크를 이용한 자기 지도 방식을 사용하지만, 도메인 편향, 불일치 및 상당한 도메인 이동으로 인한 의사 레이블의 높은 노이즈로 인해 교사 모델의 붕괴가 발생하여 학생 모델의 성능이 크게 저하되는 문제점을 가지고 있습니다. 이를 해결하기 위해, 본 논문에서는 타겟 기반 반복 질의-토큰 적대적 네트워크(TITAN)를 제안합니다. TITAN은 소스와 유사한(쉬운) 샘플과 소스와 유사하지 않은(어려운) 샘플로 타겟 이미지를 분할하고, 탐지 분산이 높을수록 재현율이 높고 소스 도메인과의 유사성이 클 것이라는 통찰력을 활용하여 분산을 추정하는 전략을 사용합니다. 또한, 두 특징 표현 간의 도메인 간격을 줄이기 위해 학생-교사 기본 프레임워크에 질의-토큰 기반 적대적 모듈을 통합합니다. 네 개의 자연 영상 데이터셋과 두 개의 의료 데이터셋에서 실험을 수행한 결과, TITAN이 기존 최첨단(SOTA) 방법보다 우수한 성능을 보임을 확인했습니다. C2F, C2B, S2C, K2C 벤치마크에서 각각 +22.7%, +22.2%, +21.1%, +3.7%의 mAP 향상을 보고했습니다.
