La généralisation de domaine (Domain Generalization, DG) est un thème fondamental mais extrêmement difficile dans le domaine de l’apprentissage automatique. Les approches existantes se concentrent principalement sur l’apprentissage de caractéristiques invariantes par rapport au domaine, à partir de domaines sources limités, dans un modèle statique. Malheureusement, il manque un mécanisme libre d’entraînement permettant d’ajuster le modèle lorsqu’il est généralisé à des domaines cibles agnostiques. Pour relever ce défi, nous proposons une nouvelle variante de DG, appelée Généralisation de domaine dynamique (Dynamic Domain Generalization, DDG), dans laquelle le modèle apprend à modifier dynamiquement les paramètres du réseau afin de s’adapter aux données provenant de différents domaines. Plus précisément, nous utilisons un méta-ajusteur capable de modifier les paramètres du réseau en fonction du modèle statique, en réponse à des données provenant de domaines variés. Ainsi, le modèle statique est optimisé pour apprendre des caractéristiques partagées entre les domaines, tandis que le méta-ajusteur est conçu pour capturer les caractéristiques spécifiques à chaque domaine. Pour permettre ce processus, nous utilisons DomainMix afin de simuler des données provenant de domaines divers pendant l’entraînement du méta-ajusteur, afin qu’il puisse s’adapter aux futurs domaines cibles agnostiques. Ce mécanisme d’apprentissage pousse le modèle à généraliser efficacement à différents domaines cibles agnostiques, sans nécessiter d’entraînement supplémentaire. Des expériences étendues démontrent l’efficacité de la méthode proposée. Le code est disponible à l’adresse suivante : https://github.com/MetaVisionLab/DDG