Cet article présente WildFit, un nouveau cadre d'adaptation, visant à résoudre le problème de la faible précision des modèles d'apprentissage profond dans les appareils IoT aux ressources limitées, en prenant comme exemple un piège photographique pour la faune sauvage. WildFit génère des données d'entraînement par synthèse sur l'appareil, en se concentrant sur les variations de fond, et utilise une technique de réglage fin tenant compte de la dérive pour mettre à jour le modèle uniquement lorsque cela est nécessaire. Cela permet de maintenir une classification précise des espèces, même sous des contraintes de connectivité et d'énergie limitées. La synthèse tenant compte de l'arrière-plan est plus efficace que les méthodes existantes, et le réglage fin tenant compte de la dérive améliore la précision tout en réduisant le nombre de mises à jour. Par conséquent, WildFit surpasse les méthodes d'adaptation de domaine existantes de 20 à 35 % et ne consomme que 11,2 Wh d'énergie sur 37 jours.
