Evaluating machine learning methodologies for multi-domain learning in image classification

Abstract

Quando se treina um modelo utilizando técnicas de aprendizado de máquina, é comum que se deseje que este modelo aprenda a executar uma tarefa especifica. Normalmente isso é alcançado ao expor o modelo, ou agente, a dados relacionados à tarefa que deveria aprender. Também se espera que o modelo seja avaliado ou utilizado em aplicações recebendo como entrada exemplos de dados que sejam similiares aos dados utilizados durante o treinamento, como imagens obtidas com a utilização de dispositivos similares ou iguais, gerando dados com features semelhantes. A estes dados com características próximas damos o nome de domínio ou fonte. Apesar de normalmente trabalharmos com apenas um domínio no aprendizado de máquina, existem alguns casos onde aprender a realizar a tarefa em mais de um domínio ao mesmo tempo é desejável, como criar um modelo capaz de classificar corretamente imagens tanto em fotos de objetos reais em alta definição quanto em desenhos feitos a mão, por exemplo. Nos propomos e avaliamos dois novos métodos de treinamento de modelos únicos que sejam capazes de ter boa performance em multiplos domínios ao mesmo tempo, para uma mesma tarefa. Uma das técnicas propostas, que chamamos de Soma dos Erros ou Loss Sum, foi capaz de alcançar bons resultados quando avaliada em diferentes domínios, tanto os vistos durante o treinamento (aprendizado de múltiplos domínios) quanto os apresentados apenas em etapa de avaliação (generalização de domínios).