Métodos de adaptação de domínio de conjunto aberto em redes profundas para reconhecimento de imagens

• Ano de defesa: 2023
• Autor(a) principal: Silva, Lucas Fernando Alvarenga e [UNIFESP]
• Orientador(a): Almeida Junior, Jurandy Gomes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/001300002f311
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo
• Palavras-chave em Português: Aprendizado profundo; Adaptação de Domínio não-supervisionada; Adaptação de Domínio de Conjuntos Abertos
• Link de acesso: https://repositorio.unifesp.br/handle/11600/67273

Métodos de aprendizado profundo trouxeram avanços revolucionários para diversas áreas da sociedade devido a sua grande capacidade de aprendizagem pela exposição aos dados. Essa revolução vem sendo observada principalmente após a revisitação das Redes Neurais Convolucionais, que, com o vasto poder computacional e dados que estão disponíveis atualmente, permitiram aumentar substancialmente o desenvolvimento de sistemas multimídia inteligentes, que entregam resultados melhores e mais rápidos que operadores humanos. Contudo, a inferência de tais sistemas em ambientes não controlados pode sofrer degradação de desempenho, por exemplo, quando aplicados no mundo real em dados não-rotulados. Sabe-se que rotular um conjunto de dados é uma tarefa custosa e propensa a erros, existindo casos que seriam até mesmo impossíveis. Como forma de evitar esse trabalho, abordagens ingênuas treinam modelos de aprendizado profundo em conjuntos de dados rotulados (i. e. domínios-fonte) que sejam similares ao conjunto de dados não-rotulado de teste (i. e. domínio-alvo). Porém, essa abordagem pode não gerar resultados ideais. Normalmente, os conjuntos de dados rotulados usados como domínio-fonte apresentam uma mudança de domínio com relação ao domínio-alvo e, além disso, no pior caso, seu conjunto de classes pode também não representar completamente todas as classes necessárias para uma correta classificação do domínio-alvo. Cada um desses problemas, individualmente, são objetivo das áreas de pesquisa da Adaptação de Domínio Não-Supervisionada (UDA) e Reconhecimento de Conjunto Aberto (OSR). Com base nesses problemas, este trabalho apresenta duas principais contribuições. A primeira consiste no desenvolvimento das Camadas de Alinhamento de Domínio de Muitas Fontes (MS-DIAL), uma solução estrutural para métodos de aprendizagem profunda voltada para o cenário mais desafiador da UDA, quando os modelos são treinados sobre muitos domínios-fontes. Seu funcionamento espera alinhar as distribuições de cada um dos domínios em diferentes níveis de seu espaço de características. Individualmente, o MS-DIAL obteve resultados competitivos ao estado-da-arte e, além disso, permitiu aumentar a transferibilidade de métodos de UDA, com ganhos relativos de desempenho de até 30,64%. Em seguida, o uso do MS-DIAL foi investigado no cenário resultante da combinação de ambos os problemas supracitados, a Adaptação de Domínio de Conjuntos Abertos. Esse problema acontece quando, durante a inferência, existe um domínio-alvo não-rotulado que simultaneamente apresenta uma mudança de domínio com relação ao conjunto de treinamento (UDA) e contém observações de classes desconhecidas ao domínio-fonte (OSR). Para isso, Métodos Generativos foram usados individualmente ou conjuntamente com técnicas de Aprendizado Contrastivo, respectivamente, para geração de observações negativas que estejam fora do escopo de conhecimento do modelo, mas semanticamente próximas ao domínio-fonte, e também para geração de um espaço de características melhor discriminado. Neste caso, apesar de ainda se observar a importância associada a escolha do domínio-fonte, pôde-se observar resultados competitivos ou melhores em média que o estado-da-arte.