Adaptation de domaine pour l'analyse forensique d'images

Abstract

Ce papier étudie une stratégie d'adaptation de domaine non-supervisée appliquée à l'analyse forensique d'images. Pour réaliser l'analyse forensique, l'opérateur dispose d'une base source de données étiquetées permettant l'entraînement d'un modèle. Dans un contexte opérationnel, il est commun de devoir travailler sur une base cible de données non-étiquetées, provenant d'une distribution différente de celle de la source, ce qui dégrade les performances du modèle. Nous souhaitons donc généraliser l'apprentissage d'un modèle forensique réalisé sur une base source à une base cible. Pour atteindre cet objectif, il est courant de rechercher un espace où ces deux distributions sont similaires. En se basant sur cette nouvelle représentation des données, on peut alors initier un transfert d'apprentissage depuis la source vers la cible. Cette recherche d'espace invariant peut se faire via une rétro-propagation du gradient sur un coût d'adaptation bien choisie, représentant une distance entre les deux distributions projetées. Attirés par la simplicité de cette stratégie, nous avons décidé de la tester sur un détecteur de manipulations visuelles entraîné pour une situation réaliste.