Auto-ensemblage pour l'adaptation de domaine visuel

Ce document examine l'utilisation de l'auto-assemblage pour les problèmes d'adaptation de domaine visuel. Notre technique est dérivée de la variante du « mean teacher » (Tarvainen et al., 2017) de l'assemblage temporel (Laine et al., 2017), une méthode qui a obtenu des résultats d'état de l'art dans le domaine de l'apprentissage semi-supervisé. Nous introduisons plusieurs modifications à leur approche pour des scénarios d'adaptation de domaine difficiles et évaluons leur efficacité. Notre approche atteint des résultats d'état de l'art dans diverses benchmarks, y compris notre participation gagnante au défi d'adaptation de domaine visuel VISDA-2017. Dans les benchmarks d'images de petite taille, notre algorithme non seulement surpasse les travaux antérieurs, mais peut également atteindre une précision proche de celle d'un classifieur formé de manière supervisée.