Adaptation de domaine progressive pour la détection d'objets

Les méthodes récentes d'apprentissage profond pour la détection d'objets reposent sur une grande quantité d'annotations de boîtes englobantes. La collecte de ces annotations est fastidieuse et coûteuse, tout en entraînant des modèles supervisés dont la généralisation reste insuffisante lorsqu'ils sont évalués sur des images provenant d'une distribution différente. L'adaptation de domaine offre une solution en adaptant les étiquettes existantes aux données de test cibles. Toutefois, un écart important entre les domaines peut rendre cette adaptation particulièrement difficile, entraînant des processus d'entraînement instables et des résultats sous-optimaux. Dans cet article, nous proposons de réduire cet écart de domaine en introduisant un domaine intermédiaire, permettant ainsi de résoudre progressivement des sous-tâches d'adaptation plus simples. Ce domaine intermédiaire est construit en translatant les images sources afin de les faire ressembler à celles du domaine cible. Pour atténuer le problème de décalage de domaine, nous adoptons une approche d'apprentissage adversaire afin d'aligner les distributions au niveau des caractéristiques. En outre, une perte de tâche pondérée est appliquée pour traiter l'inégalité de qualité des images dans le domaine intermédiaire. Les résultats expérimentaux montrent que notre méthode obtient des performances supérieures à celles de l'état de l'art sur le domaine cible.