SCENE GRAPH GENERATION FOR UNLABELED DATA

Approaches are presented for training and using scene graph generators for transfer learning. A scene graph generation technique can decompose a domain gap into individual types of discrepancies, such as may relate to appearance, label, and prediction discrepancies. These discrepancies can be reduced, at least in part, by aligning the corresponding latent and output distributions using one or more gradient reversal layers (GRLs). Label discrepancies can be addressed using self- pseudo-statistics collected from target data. Pseudo statistic-based self-learning and adversarial techniques can be used to manage these discrepancies without the need for costly supervision from a real-world dataset. L'invention concerne des approches permettant l'apprentissage et l'utilisation de générateurs de graphes de scène pour un apprentissage par transfert. Une technique de génération de graphe de scène peut décomposer un espace de domaine en types individuels de divergences, pouvant se rapporter à des divergences d'apparence, d'étiquette et de prédiction. Lesdites divergences peuvent être réduites, au moins en partie, par l'alignement des distributions latentes et de sortie correspondantes à l'aide d'une ou plusieurs couches d'inversion de gradient (GRL). Des divergences d'étiquette peuvent être traitées à l'aide d'auto-pseudo-statistiques collectées à partir de données cibles. Des techniques d'auto-apprentissage et antagonistes fondées sur des pseudo-statistiques peuvent être utilisées pour gérer lesdites divergences sans nécessiter une supervision coûteuse à partir d'un ensemble de données du monde réel.