본 논문은 도메인 적응 객체 탐지(DAOD) 분야의 기존 벤치마킹 방식의 문제점을 지적하고, 이를 해결하기 위한 새로운 벤치마킹 프레임워크, 훈련 및 평가 프로토콜, 벤치마크 데이터셋, 그리고 새로운 최첨단 성능을 달성하는 알고리즘 ALDI++를 제시한다. 기존 연구의 문제점으로는 기준 모델 성능 저평가, 일관되지 않은 구현 방식, 낙후된 백본 네트워크 및 벤치마크 데이터셋의 다양성 부족 등을 지적한다. 제시된 ALDI++는 Cityscapes to Foggy Cityscapes, Sim10k to Cityscapes, CFC Kenai to Channel 등 다양한 도메인 적응 시나리오에서 기존 최고 성능을 상당한 차이로 능가한다. ALDI 프레임워크는 YOLO와 DETR 기반 DAOD에도 적용 가능하며, 추가적인 하이퍼파라미터 조정 없이 최고 성능을 달성한다. 본 연구는 DAOD 분야의 벤치마킹을 재정립하고 향후 연구의 토대를 마련한다.
