METHOD AND SYSTEM FOR ADAPTATION OF A TRAINED OBJECT DETECTION MODEL TO ACCOUNT FOR DOMAIN SHIFT

The present disclosure provides a method and system for adapting a machine learning model, such as an object detection model, to account for domain shift. The method includes receiving a labeled data elements and target image samples and performing a plurality of model adaptation epochs. Each adaptation epoch includes: predicting for each of the target image samples, using the machine learning model configured by a current set of configuration parameters, a corresponding target class label for the respective target data object included in the target image sample; generating a plurality of labeled mixed data elements that each include: (i) a mixed image sample including a source data object from one of the source image samples and a target data object from one of the target image samples, and (ii) the corresponding source class label for the source data object and the corresponding target class label for the target data object. The method also includes adjusting the current set of configuration parameters to minimize a loss function for the machine learning model for the plurality of mixed data elements. The method results in adapted machine learning model that accounts for domain shift and that has improved performance at inference on new target image samples. La présente divulgation concerne un procédé et un système d'adaptation d'un modèle d'apprentissage automatique, tel qu'un modèle de détection d'objet, pour prendre en compte un décalage de domaine. Le procédé consiste à recevoir des élément de données étiquetés et des échantillons d'images cibles, et à mettre en œuvre une pluralité de périodes d'adaptation de modèle. Chaque période d'adaptation comprend les étapes consistant à : prédire pour chacun des échantillons d'images cibles, à l'aide du modèle d'apprentissage automatique configuré par un ensemble de paramètres de configuration en vigueur, une étiquette de catégorie cible correspondante pour l'objet de données cible correspondant compris dans l'échantillon d'image cible; générer une pluralité d'éléments de données mixtes étiquetés qui comprennent chacun : (i) un échantillon d'image mixte comprenant un objet de données source provenant de l'un des échantillons d'images sources, et un objet de données cible provenant de l'un des échantillons d'images cibles, et (ii) l'étiquette de catégorie de source correspondante pour l'objet de données source et l'étiquette de catégorie cible correspondante pour l'objet de données cible. Le procédé consiste ég