Construction de curriculums pyramidaux auto-motivés pour la segmentation sémantique inter-domaines : une approche non-antagoniste

Nous proposons une nouvelle approche, appelée adaptation de domaine par programme pyramidal auto-motivé (PyCDA), pour faciliter l'adaptation des réseaux neuronaux de segmentation sémantique des domaines sources synthétiques aux domaines cibles réels. Notre approche repose sur une intuition reliant deux travaux existants : l'adaptation de domaine par programme d'apprentissage et l'auto-entraînement. Inspirés du premier, le PyCDA construit un programme pyramidal qui contient diverses propriétés relatives au domaine cible. Ces propriétés concernent principalement les distributions de labels souhaitées sur les images du domaine cible, les régions d'image et les pixels. En imposant au réseau neuronal de segmentation d'observer ces propriétés, nous pouvons améliorer sa capacité de généralisation au domaine cible. Motivés par l'auto-entraînement, nous inférons cette pyramide de propriétés en faisant appel au réseau neuronal de segmentation sémantique lui-même. Contrairement aux travaux antérieurs, nous n'avons pas besoin de maintenir des modèles supplémentaires (par exemple, des régressions logistiques ou des réseaux discriminants) ni de résoudre des problèmes min-max qui sont souvent difficiles à optimiser. Nous rapportons des résultats d'état de l'art pour l'adaptation à la fois depuis GTAV et SYNTHIA vers Cityscapes, deux configurations populaires dans l'adaptation non supervisée de domaine pour la segmentation sémantique.