Adaptation de domaine multi-cible avec apprentissage collaboratif de cohérence

Récemment, l'adaptation de domaine non supervisée pour la tâche de segmentation sémantique est devenue de plus en plus populaire en raison du coût élevé des annotations au niveau des pixels sur les images du monde réel. Cependant, la plupart des méthodes d'adaptation de domaine sont limitées à une paire source-cible unique et ne peuvent pas être directement étendues à plusieurs domaines cibles. Dans ce travail, nous proposons un cadre d'apprentissage collaboratif pour réaliser l'adaptation de domaine non supervisée multi-cible. Un modèle expert d'adaptation de domaine non supervisée est d'abord formé pour chaque paire source-cible et est ensuite encouragé à collaborer avec les autres grâce à un pont établi entre différents domaines cibles. Ces modèles experts sont améliorés en ajoutant une régularisation visant à faire des prédictions cohérentes au niveau des pixels pour chaque échantillon avec le même contexte structuré. Pour obtenir un seul modèle capable de fonctionner sur plusieurs domaines cibles, nous proposons d'apprendre simultanément un modèle élève qui est formé non seulement pour imiter la sortie de chaque expert sur le domaine cible correspondant, mais aussi pour rapprocher différents experts entre eux grâce à une régularisation sur leurs poids. De nombreuses expériences montrent que la méthode proposée peut exploiter efficacement les informations structurées riches contenues dans le domaine source annoté et les multiples domaines cibles non annotés. Non seulement elle performe bien sur plusieurs domaines cibles, mais elle se compare également favorablement aux méthodes d'adaptation de domaine non supervisée les plus avancées spécialement formées sur une seule paire source-cible.