Apprentissage actif hyperbolique pour la segmentation sémantique sous décalage de domaine

Nous introduisons une approche basée sur les réseaux neuronaux hyperboliques pour l’apprentissage actif au niveau des pixels en segmentation sémantique. Une analyse des statistiques des données conduit à une interprétation originale du rayon hyperbolique comme indicateur de rareté des données. Dans HALO (Hyperbolic Active Learning Optimization), pour la première fois, nous proposons d’utiliser l’incertitude épistémique comme stratégie d’acquisition de données, suivant l’intuition de sélectionner les points de données les moins bien connus. Le rayon hyperbolique, complété par l’entropie de prédiction largement utilisée, permet une approximation efficace de l’incertitude épistémique. Nous menons une analyse expérimentale exhaustive sur deux benchmarks établis de synthèse vers réel, à savoir GTAV → Cityscapes et SYNTHIA → Cityscapes. En outre, nous évaluons HALO sur la tâche Cityscapes → ACDC dans le cadre de l’adaptation de domaine sous conditions météorologiques défavorables, et comparons les performances des architectures de base basées sur les réseaux de convolution et les mécanismes d’attention. HALO établit un nouveau record d’état de l’art pour l’apprentissage actif en segmentation sémantique en présence de décalage de domaine, et constitue la première approche d’apprentissage actif à surpasser les performances de l’adaptation de domaine supervisée tout en utilisant uniquement une faible proportion d’étiquettes (à savoir 1 %).