جستجو در مقالات منتشر شده


۴ نتیجه برای طهمورث نژاد
پردازش تصویر بین‌دامنه‌ای با استفاده از تحلیل تفکیک خطی و تطبیق دامنه مبتنی‌بر نمونه
مژده زندی فر، جعفر طهمورث نژاد،
دوره ۱۶، شماره ۳ - ( ۱۰-۱۳۹۸ )
چکیده
پردازش تصویر روشی برای اعمال برخی عملیات­ه‌ا بر روی یک تصویر است به‌­طوری‌­که با استفاده از آن، تصاویری با کیفیت بالاتر به­‌دست آمده یا برخی اطلاعات مفید از تصویر استخراج می­شود. الگوریتم­‌های سنتی پردازش تصویر در شرایطی­‌که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می­‌شوند، توزیع متفاوتی از تصاویر آزمایش (دامنه هدف) داشته باشند، نمی­‌توانند عملکرد خوبی داشته باشند. با این‌حال، بسیاری از برنامه‌های کاربردی دنیای واقعی به‌علت کمبود داده‌های برچسب‌دار آموزشی دارای محدودیت هستند؛ از‌این‌رو از داده‌های برچسب‌دار دامنه‌های دیگر استفاده می‌کنند. به‌این ترتیب به‌خاطر اختلاف توزیع بین دامنه‌های منبع و هدف، طبقه‌بند یادگرفته شده براساس مجموعه آموزشی بر روی داده‌های آزمایشی عملکرد ضعیفی خواهد داشت. یادگیری انتقالی و انطباق دامنه، با به‌کارگیری مجموعه‌داده‌های موجود دو راه ‌حل برجسته برای مقابله با این چالش هستند، و حتی با وجود اختلاف توزیع قابل ملاحظه بین دامنه‌ها می‌توانند دانش را از دامنه‌های مرتبط به دامنه هدف انتقال دهند. فرض اصلی در مسأله تغییر دامنه این است که توزیع حاشیه‌ای یا توزیع شرطی داده‌های منبع و هدف متفاوت باشد. تطبیق دامنه به‌طور صریح با استفاده از معیار فاصله ازپیش تعیین‌شده تفاوت در توزیع حاشیه‌ای، توزیع شرطی یا هر دو توزیع را کاهش می‌دهد. در این مقاله، ما به یک سناریوی چالش‌برانگیز می‌پردازیم که در آن تصاویر دامنه‌های منبع و هدف در توزیع‌های حاشیه‌ای متفاوت بوده و تصاویر هدف دارای برچسب نیستند. بیش‌تر روش‌های قبلی دو استراتژی یادگیری تطابق ویژگی‌ها و وزن‌دهی مجدد نمونه‌ها را به‌طور مستقل برای تطبیق دامنه‌ها مورد بررسی قرار داده‌اند. در این مقاله، ما نشان می‌دهیم زمانی که تفاوت دامنه‌ها به‌طور قابل توجهی بزرگ باشد، هر دو استراتژی مهم و اجتناب‌ناپذیر هستند. روش پیشنهادی ما تحت عنوان تطبیق دامنه مبتنی‌بر نمونه برای طبقه‌بندی تصاویر (DAIC)، یک فرایند کاهش بُعد بوده که با کاهش اختلاف توزیع تصاویر آموزشی و آزمایشی و به‌کارگیری هم‌زمان تطابق ویژگی‌ها و وزن‌دهی مجدد کارایی مدل را افزایش می‌دهد. ما با گسترش واگرایی برگمن غیرخطی برای اندازه‌گیری تفاوت توزیع حاشیه‌ای و اعمال آن به الگوریتم کاهش بعد آنالیز تفکیک خطی فیشر، از آن برای ساخت یک نمایش ویژگی مؤثر و قوی برای تفاوت‌های توزیع قابل ملاحظه بین دامنه‌ها استفاده می‌کنیم؛ همچنین، DAIC از مزیت برچسب‌گذاری اولیه برای داده‌های هدف به‌صورت تکرار‌شونده برای هم‌گرایی مدل استفاده می‌کند. آزمایش‌های گسترده ما نشان می‌دهد که DAIC به‌طور قابل توجهی بهتر از الگوریتم‌های یادگیری ماشین پایه و دیگر روش‌های یادگیری انتقالی در نُه مجموعه داده‌ بصری تحت سناریوهای مختلف عمل می‌کند.


طبقه‌بندی تصاویر با استفاده از نمایش تُنُک و تطبیق زیرفضا
فریماه شرافتی، جعفر طهمورث نژاد،
دوره ۱۷، شماره ۲ - ( ۶-۱۳۹۹ )
چکیده
در بیش‌تر الگوریتم‌های یادگیری ماشین و پردازش تصویر، فرض اولیه بر این است که توزیع احتمال داده‌های آموزشی (دامنه منبع) و آزمایش (دامنه هدف) یکسان است؛ اما در کاربردهای دنیای واقعی، برخی معیارها نظیر حالت تصویر، روشنایی یا کیفیت تصویر، موجب ایجاد اختلاف قابل‌توجهی بین دو مجموعه آموزشی و آزمایش می‌شود. به همین دلیل، اغلب مدل‌های ایجاد‌شده بر روی داده‌های آموزشی عملکرد ضعیفی بر روی داده‌های آزمایش خواهند داشت؛ بااین‌حال‌، روش‌های تطبیق دامنه، راه‌حل بسیار مؤثری برای کاهش اختلاف توزیع بین دامنه‌های آموزشی و آزمایش هستند. در این مقاله یک روش تطبیق دامنه با عنوان نمایش تُنُک و تطبیق زیرفضا (SRSA) پیشنهاد شده است، که با وزن‌دهی مجدد نمونه‌های آزمایش و نگاشت داده‌ها به یک زیرفضای جدید مشکل اختلاف توزیع داده‌ها را به‌خوبی مرتفع می‌سازد. SRSA با استفاده از یک نمایش تُنُک، بخشی از مجموعه داده‌های هدف را که ارتباط قوی‌تری با داده‌های منبع دارند، انتخاب می‌کند؛ علاوه‌بر آن، SRSA با نگاشت داده‌های تُنُک هدف و داده‌های منبع به زیرفضاهای مستقل، اختلاف توزیع آنها را درفضای به‌دست‌آمده کاهش می‌دهد؛ درنهایت با برروی‌هم‌گذاری زیرفضاهای نگاشت‌شده، SRSA اختلاف توزیع بین داده‌های آموزشی و آزمایش را به کمینه می‌رساند. ما روش پیشنهادی خود را با ترتیب‌دادن چهارده آزمایش بر روی پایگاه داده‌های‌ بصری مختلف مورد ارزیابی قرار‌داده و با مقایسه نتایج به‌دست‌آمده، نشان داده‌ایم که SRSA عملکرد بهتری در مقایسه با جدیدترین روش‌های یادگیری ماشین و تطبیق دامنه دارد.

هم‌ترازی تصویر از طریق یادگیری خصوصیت کرنل‌شده
الهه شهروز، جعفر طهمورث نژاد،
دوره ۱۹، شماره ۳ - ( ۹-۱۴۰۱ )
چکیده
در بسیاری از الگوریتم­‌های یادگیری ماشین، فرض اولیه بر این اساس است که مجموعه‌داده آموزشی (دامنه منبع) و مجموعه‌داده آزمون (دامنه هدف) توزیع یکسانی را به اشتراک می­‌گذارند. این در حالی است که در اغلب مسائل دنیای واقعی، به‌دلیل اختلاف توزیع احتمال بین دامنه منبع و هدف، این فرض نقض می‌­شود. برای مقابله با این مشکل، یادگیری انتقالی و تطبیق دامنه، مدل را برای مقابله با داده‌­های هدف دارای توزیع متفاوت، تعمیم می‌­دهند. در این مقاله ما یک روش تطبیق دامنه با عنوان هم‌­ترازی تصویر از طریق یادگیری خصوصیت کرنل‌شده (IMAKE) را به‌منظور حفظ اطلاعات عمومی و هندسی دامنه­‌های منبع و هدف پیشنهاد می­‌دهیم. روش پیشنهادی یک زیرفضای مشترک بین دامنه‌­های منبع و هدف جستجو می‌کند تا اختلاف توزیع آنها را به کمینه برساند. IMAKE از هر دو تطبیق توزیع هندسی و عمومی به‌صورت هم‌­زمان بهره می‌­برد. روش پیشنهادی دامنه‌­های منبع و هدف را به یک زیرفضای کم­بعد مشترک به‌صورت بدون­‌نظارت منتقل می­‌کند تا اختلاف احتمال توزیع شرطی و حاشیه‌­ای داده­‌های دامنه منبع و هدف را از طریق بیشینه اختلاف میانگین‌ها کمینه ­کند و برای تطبیق توزیع هندسی از هم‌­ترازی منیفلد بهره می‌­گیرد. کارایی روش پیشنهادی با استفاده از پایگاه­‌داده­‌های بصری متنوع و استاندارد با ۳۶ آزمایش مورد ارزیابی قرار گرفته است. نتایج به‌دست‌­آمده، نشان­‌دهنده بهبود قابل ملاحظه از عملکرد روش پیشنهادی در مقایسه با جدیدترین روش‌های حوزه یادگیری ماشین و یادگیری انتقالی است.

انتقال دانش تنظیم شده برای یادگیری تقویتی چندعاملی
خانم نیلوفر علوی، دکتر جعفر طهمورث نژاد،
دوره ۲۰، شماره ۴ - ( ۱۲-۱۴۰۲ )
چکیده
یادگیری تقویتی به آموزش مدل‌های یادگیری ماشین برای اتخاذ تصمیمات متوالی اشاره می­کند که در آن یک عامل از طریق تعامل با محیط، آموزش دیده، نتایج این تعامل را مشاهده کرده و بر این اساس، پاداش مثبت یا منفی دریافت می­کند. یادگیری تقویتی کاربردهای زیادی برای سیستم­های چندعاملی  به خصوص در محیط­های پویا و ناشناخته دارد. با این حال، بیش­تر الگوریتم­های یادگیری تقویتی چندعاملی  با مشکلاتی همچون پیچیدگی محاسباتی نمایی برای محاسبه فضای حالت مشترک مواجه هستند که منجر به عدم مقیاس­پذیری الگوریتم­ها درمسائل چندعاملی  واقعی می­شود. کاربردهای یادگیری تقویتی چندعاملی  را می­توان از فوتبال ربات‌ها، شبکه­ها، محاسبات ابری، زمانبندی شغل تا اعزام نیروی واکنشی دسته­بندی کرد. در این مقاله یک الگوریتم جدید به نام انتقال دانش تنظیم‌شده برای یادگیری تقویتی چندعاملی  (RKT-MARL) معرفی می­شود که براساس مدل تصمیم­گیری مارکوف کار می­کند. این الگوریتم برخلاف روش­های یادگیری تقویتی سنتی، مفاهیم تعاملات پراکنده و انتقال دانش را برای رسیدن به تعادل بین عامل­ها استفاده می­کند. علاوه‌بر این، RKT-MARL از سازوکار مذاکره برای یافتن مجموعه تعادل و از روش کمینه واریانس برای انتخاب بهترین عمل در مجموعه تعادل به­دست­آمده استفاده می­کند. همچنین الگوریتم پیشنهادی، دانش مقادیر حالت-عمل را در میان عامل­های مختلف انتقال می­دهد. از طرفی، الگوریتم RKT-MARL مقادیر Q را در حالت­های هماهنگی به عنوان ضریبی از اطلاعات محیطی جاری و دانش قبلی مقداردهی می­کند. به­منظور ارزیابی عملکرد روش پیشنهادی، یک گروه از آزمایش­ها بر روی پنج بازی جهانی انجام­شده و نتایج حاصل بیانگر همگرایی سریع و مقیاس­پذیری بالا در RKT-MARL‌ است.
 

صفحه ۱ از ۱     

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.