Disparité Maximale des Classifieurs pour l'Adaptation de Domaine Non Supervisée

Dans cette étude, nous présentons une méthode d'adaptation de domaine non supervisée. De nombreuses méthodes d'apprentissage par adversaire forment des réseaux de classifieurs de domaine pour distinguer les caractéristiques comme appartenant à la source ou à la cible, et entraînent un réseau générateur de caractéristiques pour imiter le discriminateur. Ces méthodes souffrent de deux problèmes principaux. Premièrement, le classifieur de domaine ne cherche qu'à distinguer les caractéristiques entre source et cible, sans prendre en compte les frontières de décision spécifiques à la tâche entre les classes. Par conséquent, un générateur formé peut produire des caractéristiques ambiguës près des frontières de classe. Deuxièmement, ces méthodes visent à faire correspondre complètement les distributions de caractéristiques entre différents domaines, ce qui est difficile en raison des particularités propres à chaque domaine.Pour résoudre ces problèmes, nous introduisons une nouvelle approche qui vise à aligner les distributions source et cible en utilisant les frontières de décision spécifiques à la tâche. Nous proposons de maximiser la discordance entre les sorties de deux classifieurs afin d'identifier les échantillons cibles éloignés du support de la source. Un générateur de caractéristiques apprend alors à générer des caractéristiques cibles proches du support pour minimiser cette discordance. Notre méthode surpasse d'autres méthodes sur plusieurs jeux de données d'images pour la classification d'images et le découpage sémantique. Le code est disponible à l'adresse suivante : \url{https://github.com/mil-tokyo/MCD_DA}