Tecniche di Domain separation per l'invarianza delle features in una Convolutional Neural Network: affrontare il divario tra training su dati sintetici e reali

L'obiettivo di questo lavoro ਠottenuto con l'approccio Domain Separation, che ਠun insieme di tecniche che cercano di separare le features che hanno il maggiore impatto sul divario tra due domini, sintetico e reale. Potendo identificare quali features sono invarianti tra i due domini, sarà  possibile concentrarsi su questi e assicurarsi che una Convolutional Neural Network funzioni correttamente su dati reali anche se ਠstata trainata solo con dati sintetici. Di conseguenza, questo progetto utilizza un Feature Extractor, ovvero una rete neurale che estrae le features da un'immagine di input e le separa in due sottoinsiemi: il primo sottoinsieme corrisponde a features indipendenti dal dominio, ovvero quelle che non dipendono dal dominio e sono le stesse indipendentemente dal fatto che provengano da un frame sintetico o reale, mentre il secondo sottoinsieme corrisponde a features specifiche del dominio, che sono quelle che dipendono dal dominio e danno pi๠problemi agli algoritmi di Domain Adaptation. Cerchiamo di dimostrare che trainando una rete di Pose Estimation con dati sintetici e testandola con dati reali considerando solo le features indipendenti, otterremo la stessa accuratezza come se avessimo trainato la rete con dati reali.