Além de Compartilhar Pesos para Adaptação Profunda de Domínio

O desempenho de um classificador treinado com dados provenientes de um domínio específico geralmente degrada quando aplicado a um domínio relacionado, mas diferente. Enquanto a anotação de muitas amostras do novo domínio resolveria esse problema, isso é frequentemente muito caro ou impraticável. A Adaptação de Domínio, portanto, emergiu como uma solução para esse problema; ela aproveita dados anotados de um domínio de origem, onde são abundantes, para treinar um classificador para operar em um domínio-alvo, onde são escassos ou mesmo ausentes. Nesse contexto, a tendência recente consiste em aprender arquiteturas profundas cujos pesos são compartilhados entre ambos os domínios, o que essencialmente equivale a aprender características invariantes ao domínio. Aqui, mostramos que é mais eficaz modelar explicitamente a mudança de um domínio para o outro. Para isso, introduzimos uma arquitetura de duas correntes, onde uma opera no domínio de origem e a outra no domínio-alvo. Em contraste com outras abordagens, os pesos nas camadas correspondentes estão relacionados, mas não são compartilhados. Demonstramos que isso gera maior precisão do que métodos de ponta em várias tarefas de reconhecimento e detecção de objetos e consistentemente supera redes com pesos compartilhados em configurações supervisionadas e não supervisionadas.