Theory and Algorithms for domain adaptation applied to deep computer vision
Théorie et algorithmes pour l'adaptation de domaine en apprentissage profond : application à la vision par ordinateur
Abstract
The following manuscript tackles the problem of domain adaptation, which is a sub-problem ofmachine learning where train and test data are biased in some way. More specifically, we focus on thecase of deep models applied to image classification problems. We first propose several contributionsto the existing domain adaptation theory and conduct a critical analysis showing its limits, as wellas those of existing practical algorithms. We then show that the notion of inductive bias playsa crucial role in transfer learning problems. Finally, taking this notion into account, we explorevarious alternatives that leverage results from related literatures such as meta-learning, pre-trainingor learning of disentangled representations.
Cette thèse porte sur l’adaptation de domaine : un sous-problème de l’apprentissage automatiqueoù les données d’évaluation diffèrent qualitativement des données d’entraînement. Nous nousintéressons plus spécifiquement à son application aux problèmes de classification d’image avec desmodèles profonds. Nous commencerons d’abord par proposer une série de contributions à la théoriede l’adaptation de domaine, nous mènerons ensuite une analyse critique montrant ses insuffisances,ainsi que celles des algorithmes pratiques existants. Nous montrerons ensuite que la notion de biaisinductif joue un rôle central dans les problèmes de transfert. Enfin, en prenant en compte cettenotion, nous explorerons diverses alternatives intégrant des éléments des littératures voisines duméta-apprentissage, du pré-entraînement et de l’apprentissage de représentations désentrelacées.
Fichier principal
sygal_fusion_39787-siry-rodrigue_659d4ea350033.pdf (7.49 Mo)
Télécharger le fichier
Origin : Version validated by the jury (STAR)