단일 소스 도메인 적응을 위한 Global-Local Transformation 기법 연구

A Studay on the Global-Local Transformation Method for Single-Source Domain Adaptation

데이터 증강은 딥러닝 모델의 강건성과 일반화 성능을 향상시키기 위한 중요한 기술로, 컴퓨터비전 분야에 널리 활용되고 있다. 본 연구는 YOLO 11을 기반으로 단일 소스 도메인으로부터 도메인 적응을 위한 증강 기법인 Global-Local Transformation(GLT)을 제안한다. GLT는 Global Transformation(GT)와 Local Transformation(LT)을 결합하여 이미지의 전역적 특성과 로컬 특성을 동시에 변환한다. GLT는 RGB 컬러 이미지를 학습 데이터로 사용하여 적외선(IR) 이미지로의 도메인 적응을 목표로 구현되었다. 실험 결과, GLT는 단일 소스 데이터를 활용하여 도메인 간 격차를 효과적으로 줄이고, 전역적 이미지 변화와 로컬 특성 다양화를 균형 있게 수행함으로써 모델 성능을 크게 향상시키는 것으로 확인되었다. 특히, 단일 소스 도메인에서 타겟 도메인으로 일반화 성능을 강화하는데 유의미한 기여를 하였다.

Data augmentation is a pivotal lever for improving robustness and generalization in deep learning and is widely adopted in computer vision. Building on YOLO 11, we propose Global–Local Transformation (GLT), an augmentation strategy for single-source domain adaptation. GLT couples a Global Transformation (GT) that perturbs image-wide statistics with a Local Transformation (LT) that stochastically alters object-centric regions, enabling simultaneous shifts in global appearance and diversification of local characteristics. We instantiate GLT for RGB→infrared (IR) transfer by training on RGB source data while targeting IR imagery at test time. Experiments show that GLT effectively narrows the domain gap and yields substantial improvements over vanilla training and commonly used augmentations, balancing global changes with local variability without incurring notable training overhead. Ablation studies further indicate that GT and LT are complementary, and their combination outperforms either component alone. Overall, GLT strengthens generalization from a single source domain to a target IR domain, demonstrating practical value when labeled target data are scarce.