Apprentissage par transfert de domaine avec peu d’exemples en ensemble ouvert

L'apprentissage à partir de quelques exemples (few-shot learning) a réalisé des progrès impressionnants dans la résolution des défis cruciaux de la reconnaissance d'échantillons inconnus provenant de nouvelles classes dans les ensembles de requêtes cibles et dans la gestion des variations visuelles entre les domaines. Cependant, les techniques existantes peinent à identifier les valeurs aberrantes cibles sous des décalages de domaine en apprenant à rejeter les pseudo-valeurs aberrantes du domaine source, ce qui entraîne une solution incomplète aux deux problèmes. Pour aborder ces défis de manière exhaustive, nous proposons une nouvelle approche appelée Reconnaissance Ouverte Adaptative au Domaine avec Apprentissage à Partir de Quelques Exemples (Domain Adaptive Few-Shot Open Set Recognition, DA-FSOS) et introduisons une architecture basée sur l'apprentissage méta nommée DAFOSNET.Pendant l'entraînement, notre modèle apprend un espace d'embedding partagé et discriminatif tout en créant une frontière de décision pseudo-ouverte, étant donné un domaine source entièrement supervisé et un domaine cible few-shot sans chevauchement des étiquettes. Pour améliorer la densité des données, nous utilisons un couple de réseaux adversaires conditionnels avec des variances de bruit ajustables pour augmenter les espaces fermés et pseudo-ouverts des deux domaines. De plus, nous proposons une stratégie d'alignement des prototypes de classe normalisés par lot spécifiques au domaine pour aligner globalement les deux domaines tout en garantissant la discriminativité inter-classes grâce à de nouveaux objectifs métriques.Notre approche d'entraînement assure que DAFOS-NET peut bien généraliser à de nouvelles situations dans le domaine cible. Nous présentons trois benchmarks pour DA-FSOS basés sur les jeux de données Office-Home, mini-ImageNet/CUB et DomainNet, et démontrons l'efficacité de DAFOS-NET à travers une série d'expériences exhaustives.