Domaine de généralisation plus profond, plus large et plus artistique

Le problème de la généralisation de domaine consiste à apprendre à partir de plusieurs domaines d'entraînement et à extraire un modèle indépendant du domaine qui peut ensuite être appliqué à un domaine non vu. La généralisation de domaine (DG) est particulièrement motivée dans les contextes où il existe des domaines cibles avec des caractéristiques distinctes, mais une faible quantité de données pour l'entraînement. Par exemple, la reconnaissance dans les images esquissées, qui sont nettement plus abstraites et rares que les photos. Cependant, les méthodes DG ont principalement été évaluées sur des bancs d'essai uniquement basés sur des photos, se concentrant sur l'atténuation du biais de jeu de données où les problèmes de distinctivité des domaines et de rareté des données peuvent être minimes. Nous soutenons que ces bancs d'essai sont excessivement simples et montrons que des modèles basiques d'apprentissage profond performent étonnamment bien sur eux.Dans cet article, nous apportons deux contributions principales : Premièrement, nous exploitons les propriétés favorables en termes de robustesse aux changements de domaine des méthodes d'apprentissage profond et développons un modèle CNN paramétré par rang faible pour l'apprentissage DG en bout-à-bout. Deuxièmement, nous élaborons un ensemble de données de référence DG couvrant les domaines photo, esquisse, dessin animé et peinture. Ce dernier est non seulement plus pertinent sur le plan pratique, mais aussi plus difficile (plus grand décalage entre les domaines) que les bancs d'essai existants. Les résultats montrent que notre méthode surpassent les alternatives DG existantes et que notre ensemble de données offre un défi DG plus significatif pour stimuler la recherche future.