ADVENT : Minimisation de l'Entropie Adversariale pour l'Adaptation de Domaine dans la Segmentation Sémantique

La segmentation sémantique est un problème clé pour de nombreuses tâches en vision par ordinateur. Bien que les approches basées sur les réseaux neuronaux convolutifs battent constamment de nouveaux records sur différents benchmarks, la généralisation à des environnements de test variés reste un défi majeur. En effet, dans de nombreuses applications du monde réel, il existe un écart important entre les distributions de données dans les domaines d'entraînement et de test, ce qui entraîne une perte sévère de performance lors de l'exécution. Dans cette étude, nous abordons la tâche d'adaptation non supervisée de domaine en segmentation sémantique en utilisant des pertes basées sur l'entropie des prédictions pixel par pixel. À cet effet, nous proposons deux méthodes nouvelles et complémentaires utilisant respectivement (i) la perte d'entropie et (ii) la perte adversaire. Nous démontrons des performances de pointe en segmentation sémantique sur deux configurations « synthétique-2-réel » difficiles et montrons que cette approche peut également être utilisée pour la détection.