AWADA : Adaptation de domaine adversaire pondérée par attention pour la détection d'objets

Les réseaux de détection d'objets ont atteint un niveau de performance remarquable, mais un manque de données adaptées à des applications spécifiques limite souvent leur efficacité en pratique. En général, des sources de données supplémentaires sont utilisées pour soutenir la tâche d'apprentissage. Toutefois, les écarts de domaine entre ces différentes sources de données posent un défi majeur en apprentissage profond. La transformation de style image à image basée sur les GAN (réseaux antagonistes génératifs) est couramment employée pour réduire cet écart de domaine, mais elle s'avère instable et déconnectée de la tâche de détection d'objets. Nous proposons AWADA, un cadre d'adaptation de domaine adversaire pondéré par l'attention, conçu pour établir une boucle de rétroaction entre la transformation de style et la tâche de détection. En construisant des cartes d'attention sur les objets du premier plan à partir des propositions du détecteur d'objets, nous concentrons la transformation sur les régions d'intérêt des objets, ce qui stabilise l'entraînement de la transformation de style. À travers des expériences étendues et des études d'ablation, nous démontrons que AWADA atteint des performances de détection d'objets par adaptation de domaine non supervisée au niveau de l'état de l'art sur des benchmarks couramment utilisés, notamment pour des tâches telles que la transformation de données synthétiques vers réelles, l'adaptation en conditions météorologiques défavorables et l'adaptation entre caméras différentes.