Adaptarse o morir: Revisión de técnicas de Supervised Domain Adaptation para clasificación de imágenes

Abstract

[ES] La adaptación de dominio supervisada (SDA) es una técnica de aprendizaje automático que tiene como objetivo mejorar el rendimiento de los modelos de predicción en situaciones en las que los datos de entrenamiento y los datos de prueba pertenecen a diferentes dominios con tan solo unas pocas muestras del dominio objetivo. En este trabajo se ha desarrollado una comparación de técnicas de Supervised Domain Adaptation, con el objetivo de identificar cuáles son las más efectivas en la resolución del problema de la clasificación de imagen en situaciones en las que los datos de entrenamiento y los datos de prueba pertenecen a diferentes dominios, construyendo un benchmark con condiciones equiparables. Además, se presenta CCeSAR, un método nuevo que se construye sobre CCSA, una de las técnicas de Supervised Domain Adaptation comparadas. Nuestro método incorpora aprendizaje autosupervisado de clasificación de rotaciones como tarea secundaria para tratar de conseguir una mejor adaptación al dominio objetivo.

[EN] Supervised domain adaptation (SDA) is a Machine Learning technique that aims to improve the performance of prediction models in situations where the training data and test data belong to different domains with only a few samples from the target domain. In this work, a comparison of Supervised Domain Adaptation techniques has been developed with the aim of identifying which are the most effective in solving the image classification problem in situations where the training data and the test data belong to different domains, building a benchmark with comparable conditions. In addition, CCeSAR, a new method that builds on CCSA, one of the compared Supervised Domain Adaptation techniques, is presented. Our method incorporates self-supervised learning of rotations classification as a secondary task to try to achieve a better adaptation to the target domain.