Adaptation de domaine non supervisée basée sur le désaccord maximum du classificateur aligné en fonction des caractéristiques

La méthode du maximum de désaccord des classifieurs a connu un grand succès ces dernières années dans la résolution des tâches d’adaptation de domaine non supervisée pour la classification d’images. Son architecture fondamentale repose sur un générateur de caractéristiques et deux classifieurs, dont l’objectif est de maximiser le désaccord entre les classifieurs tout en minimisant le désaccord du générateur pour les échantillons de la cible. Cette approche améliore les méthodes d’entraînement adversarial existantes en utilisant des classifieurs spécifiques à la tâche, ce qui permet de réduire l’ambiguïté dans la classification des échantillons cibles situés près des frontières de classe. Dans cet article, nous proposons une architecture réseau modifiée ainsi que deux objectifs d’entraînement visant à renforcer davantage les performances de la méthode du maximum de désaccord des classifieurs. Le premier objectif d’entraînement minimise le désaccord au niveau des caractéristiques et contraint le générateur à produire des caractéristiques invariantes par rapport au domaine. Cet objectif s’avère particulièrement avantageux lorsque les distributions des domaines source et cible sont très différentes. Le second objectif d’entraînement, opérant au niveau des mini-batches, vise à établir une distribution uniforme des prédictions de classe pour la cible en maximisant l’entropie de l’espérance des prédictions de classe cible. Nous démontrons, à travers des évaluations empiriques étendues, que l’architecture proposée ainsi que les objectifs d’entraînement améliorent significativement les performances de l’algorithme original. En outre, cette méthode dépasse également les techniques les plus avancées dans la plupart des tâches d’adaptation de domaine non supervisée.