Sur la généralisation des modèles de détection dans des environnements non contraints

La détection d’objets a connu des progrès considérables ces dernières années. Toutefois, les algorithmes actuels peinent à généraliser efficacement lorsqu’ils sont évalués sur des distributions de données diverses. Nous abordons le problème de l’apprentissage incrémental en détection d’objets sur le jeu de données India Driving Dataset (IDD). Notre approche repose sur l’utilisation de classificateurs spécifiques à chaque domaine, combinés à des techniques avancées d’apprentissage transféré visant à prévenir le oubli catastrophique. Nous évaluons notre méthode sur les jeux de données IDD et BDD100K. Les résultats démontrent l’efficacité de notre approche adaptative au domaine dans des scénarios de décalage de domaine liés à des environnements variés.