Réseau d'adaptation de domaine séquentiel pour la détection d'objets

Les récentes avancées dans les modèles de détection d'objets dépendent fortement des données annotées, qui nécessitent souvent un temps et des ressources substantiels pour être rassemblées. Pour relever ce défi, le domaine de la détection d'objets adaptative sans supervision se concentre sur l'adaptation des détecteurs formés sur un domaine source étiqueté pour une utilisation efficace dans un domaine cible non étiqueté. Cependant, ce processus est confronté à des défis tels que des exigences computationnelles élevées et une instabilité durant l'entraînement, en raison des écarts significatifs entre les domaines. Notre article présente un réseau d'adaptation de domaine séquentiel efficace (SDAN) conçu pour minimiser de manière incrémentale ces différences de domaine. Le réseau atténue efficacement les disparités tant dans les phases initiales que subséquentes. Nous utilisons la transformée de Fourier pour le changement de spectre, éliminant ainsi le besoin d'entraînement à cette étape. Pour résoudre davantage le problème de décalage de domaine, le modèle utilise l'apprentissage adversaire non supervisé pour l'alignement des distributions de caractéristiques variées. Des expériences approfondies démontrent que notre modèle montre de fortes performances par rapport aux modèles de détection d'objets adaptatifs de domaine les plus avancés actuellement disponibles.