DeepJDOT : Transport Optimal de la Distribution Jointe pour l'Adaptation de Domaine Non Supervisée

Dans le domaine de la vision par ordinateur, on est souvent confronté à des problèmes de décalage de domaine (domain shifts), qui surviennent lorsqu'un classificateur formé sur un ensemble de données source est appliqué à des données cibles partageant des caractéristiques similaires (par exemple, les mêmes classes), mais également des structures de données latentes différentes (par exemple, des conditions d'acquisition différentes). Dans une telle situation, le modèle se montre inefficace sur les nouvelles données, car le classificateur est spécialisé pour reconnaître des indices visuels spécifiques au domaine source. Dans ce travail, nous explorons une solution nommée DeepJDOT pour aborder ce problème : en utilisant une mesure de disparité sur des représentations profondes conjointes/étiquettes basée sur le transport optimal, nous non seulement apprenons de nouvelles représentations de données alignées entre le domaine source et le domaine cible, mais préservons également simultanément l'information discriminante utilisée par le classificateur. Nous avons appliqué DeepJDOT à une série de tâches de reconnaissance visuelle, où il s'est avéré être plus performant que les méthodes actuelles d'adaptation profonde de domaine.