Désentrelacement auto-adversaire pour l'adaptation de domaine spécifique

L’adaptation de domaine vise à combler les écarts entre le domaine source et le domaine cible. Ces écarts peuvent s’étendre à différentes dimensions, telles que la brume, la pluie, etc. Toutefois, les méthodes récentes ne prennent généralement pas en compte de manière explicite les connaissances a priori concernant les décalages de domaine sur une dimension spécifique, ce qui entraîne des performances d’adaptation insatisfaisantes. Dans cet article, nous étudions un cadre pratique appelé Adaptation de Domaine Spécifique (SDA), qui vise à aligner les domaines source et cible selon une dimension prédéfinie. Dans ce cadre, nous observons que l’écart intra-domaine induit par des niveaux variés de « domainness » (c’est-à-dire les grandeurs numériques des décalages de domaine sur cette dimension) est crucial lors de l’adaptation à un domaine spécifique. Pour résoudre ce problème, nous proposons un nouveau cadre, appelé Auto-Adversarial Désenchevêtrage (SAD). Plus précisément, étant donné une dimension spécifique, nous enrichissons d’abord le domaine source en introduisant un « créateur de domainness » qui fournit des signaux de supervision supplémentaires. Guidés par ce domainness généré, nous concevons un régulariseur auto-adversaire ainsi que deux fonctions de perte afin de désenchevêtrer conjointement les représentations latentes en caractéristiques spécifiques au domainness et caractéristiques invariantes au domainness, réduisant ainsi l’écart intra-domaine. Notre méthode peut être facilement intégrée comme un cadre plug-and-play, sans ajouter de coût supplémentaire au moment de l’inférence. Nous obtenons des améliorations cohérentes par rapport aux méthodes de pointe dans les tâches de détection d’objets et de segmentation sémantique.