Noyau de flux géodésique pour l'adaptation de domaine non supervisée

Dans les applications réelles de reconnaissance visuelle, de nombreux facteurs - tels que la pose, l'illumination ou la qualité de l'image - peuvent causer un désaccord significatif entre le domaine source sur lequel les classificateurs sont formés et le domaine cible auquel ces classificateurs sont appliqués. En tant que tel, les classificateurs ont souvent des performances médiocres sur le domaine cible. Les techniques d'adaptation de domaine visent à corriger ce désaccord. Les approches existantes se sont concentrées sur l'apprentissage de représentations de caractéristiques qui sont invariantes à travers les domaines, et elles n'exploitent souvent pas directement les structures de faible dimension qui sont intrinsèques à de nombreux ensembles de données de vision. Dans cet article, nous proposons une nouvelle méthode basée sur un noyau qui tire parti de telles structures. Notre noyau de flux géodésique modélise le changement de domaine en intégrant un nombre infini de sous-espaces qui caractérisent les changements dans les propriétés géométriques et statistiques du domaine source au domaine cible. Notre approche est avantageuse sur le plan computationnel, en inférant automatiquement des paramètres algorithmiques importants sans nécessiter de validation croisée extensive ou de données étiquetées provenant de l'un ou l'autre domaine. Nous présentons également une métrique qui mesure de manière fiable l'adaptabilité entre une paire de domaines source et cible. Pour un domaine cible donné et plusieurs domaines source, la métrique peut être utilisée pour sélectionner automatiquement le domaine source optimal à adapter et éviter ceux qui sont moins souhaitables. Des études empiriques sur des ensembles de données standard démontrent les avantages de notre approche par rapport aux méthodes concurrentes.