Répondre en français selon les normes indiquées !!

L’adaptation de domaine partielle (PDA) a suscité un grand intérêt en raison de son cadre pratique. Les méthodes actuelles de PDA adaptent généralement le extracteur de caractéristiques en alignant les distributions du domaine cible et du domaine source répondérisé. Dans cet article, nous observons expérimentalement que l’adaptation des caractéristiques par alignement des distributions répondérisées dans certaines méthodes de PDA d’avant-garde n’est pas robuste aux poids « bruités » des données du domaine source, conduisant à un transfert de domaine négatif sur certaines benchmarks exigeantes. Pour surmonter ce problème de transfert négatif, nous proposons une nouvelle approche, appelée Répondérisation Adversaire (AR), qui apprend de manière adverse les poids des données du domaine source afin d’aligner les distributions entre les domaines source et cible, et qui entraîne le réseau de reconnaissance profond transférable sur les données du domaine source répondérisées. À partir de cette idée, nous proposons un algorithme d’entraînement qui met à jour alternativement les paramètres du réseau et optimise les poids des données du domaine source. Des expériences étendues montrent que notre méthode atteint des résultats de pointe sur les benchmarks ImageNet-Caltech, Office-Home, VisDA-2017 et DomainNet. Des études d’ablation confirment également l’efficacité de notre approche.