Générer pour s'adapter : Alignement de domaines à l'aide de réseaux adversariaux génératifs

L'adaptation de domaine est un problème actuellement très étudié en vision par ordinateur. Dans ce travail, nous proposons une approche qui utilise des données non supervisées pour rapprocher les distributions source et cible dans un espace de caractéristiques conjoint appris. Nous réalisons cela en induisant une relation symbiotique entre l'embedding appris et un réseau génératif antagoniste (GAN). Cela contraste avec les méthodes qui utilisent le cadre adversarial pour la génération de données réalistes et le réentraînement de modèles profonds avec ces données. Nous démontrons la robustesse et la généralité de notre approche en effectuant des expériences sur trois tâches différentes, présentant des niveaux de difficulté variés : (1) la classification de chiffres (ensembles de données MNIST, SVHN et USPS), (2) la reconnaissance d'objets à l'aide du jeu de données OFFICE, et (3) l'adaptation de domaine des données synthétiques aux données réelles. Notre méthode atteint des performances d'état de l'art dans la plupart des configurations expérimentales et est, à ce jour, la seule méthode basée sur les GAN qui a été montrée comme efficace sur différents ensembles de données tels que OFFICE et DIGITS.