S'attacher à la certitude discriminative pour l'adaptation de domaine

Dans cet article, nous visons à résoudre le problème d'adaptation de domaine non supervisée pour les classifieurs, où nous avons accès aux informations d'étiquetage pour le domaine source, tandis que ces informations ne sont pas disponibles pour un domaine cible. Bien que diverses méthodes aient été proposées pour aborder ce problème, notamment celles basées sur un discriminant adversarial, la plupart des approches se sont concentrées sur l'adaptation de domaine basée sur l'image entière. Dans une image, il peut y avoir des régions qui peuvent être mieux adaptées, par exemple, l'objet au premier plan peut présenter des similitudes. Pour identifier de telles régions, nous proposons des méthodes qui prennent en compte l'estimation de la certitude probabiliste de différentes régions et spécifient leur mise en évidence lors de la classification pour l'adaptation. Nous constatons qu'en intégrant simplement la certitude probabiliste du discriminant pendant l'entraînement du classifieur, nous obtenons des résultats de pointe sur divers jeux de données par rapport à toutes les méthodes récentes. Nous fournissons une analyse empirique approfondie de la méthode en présentant une analyse d'ablation (ablation analysis), un test de significativité statistique (statistical significance test) et une visualisation des cartes d'attention et des plongements t-SNE (t-SNE embeddings). Ces évaluations démontrent convaincement l'efficacité de notre approche proposée.