دوره 21، شماره 4 - ( 12-1403 )
جلد 21 شماره 4 صفحات 66-49 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Gholizade M, soltanizadeh H, Rahmanimanesh M. Multi-Source Transfer Learning Based on Fuzzy Rules for Improving Image Classification Accuracy. JSDP 2025; 21 (4) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1401-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1401-fa.html
قلی زاده معصومه، سلطانی زاده هادی، رحمانی منش محمد. یادگیری انتقالی چندمنبعی مبتنی بر قواعد فازی برای بهبود دقت طبقه‌بندی تصاویر. پردازش علائم و داده‌ها. 1403; 21 (4) :49-66
دانشیار دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران
چکیده: (516 مشاهده)
در طبقه‌بندی تصاویر، فراهم‌کردن تعداد کافی برچسب برای آموزش مدل‌ها اغلب پرهزینه و زمان‌بر است؛ به همین دلیل، الگوریتم‌های یادگیری انتقالی به‌دلیل قابلیت استفاده از دانش موجود، مورد توجه بسیاری قرار گرفته‌اند. بیشتر رویکردهای یادگیری انتقالی بر روی تطبیق دامنه با یک منبع واحد تمرکز دارند؛ بااین‌حال، تعداد اندکی از تحقیقات به مسئله تطبیق دامنه چندمنبعی پرداخته‌اند، که در عین واقع‌گرایی بیشتر، چالش‌های پیچیده‌تری را نیز به همراه دارد. ترکیب دانش از منابع مختلف می‌تواند ابهام و عدم قطعیت را افزایش دهد؛ ازاین‌رو، قوانین فازی که در مدیریت عدم قطعیت مؤثرند، می‌توانند گزینه‌ای مناسب برای این مسئله باشند. در یادگیری انتقالی چندمنبعی مبتنی بر قوانین فازی، از این قوانین برای انتقال دانش میان منابع مختلف استفاده می‌شود؛ بااین‌حال، چالش اصلی، نحوه ترکیب و بهره‌برداری بهینه از دانش موجود در این منابع است. این پژوهش یک روش یادگیری انتقالی چندمنبعی مبتنی بر قوانین فازی را پیشنهاد می‌کند. نتایج آزمایش‌ها بر روی مجموعه‌داده‌های تصویری نشان می‌دهند که روش پیشنهادی در مقایسه با سایر روش‌های پیشرفته یادگیری انتقالی عملکرد بهتری ارائه می‌دهد.
شماره‌ی مقاله: 4
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1402/7/22 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
دریافت: 1402/7/22 | پذیرش: 1403/9/14 | انتشار: 1403/12/28 | انتشار الکترونیک: 1403/12/28
فهرست منابع
1. F. Liu, J. Lu, and G. Zhang, "Unsupervised Heterogeneous Domain Adaptation via Shared Fuzzy Equivalence Relations," IEEE Trans. Fuzzy Syst., vol. 26, no. 6, pp. 3555-3568, Dec. 2018, doi: 10.1109/TFUZZ.2018.2836364. [DOI:10.1109/TFUZZ.2018.2836364]
2. Y. Yin, Z. Yang, H. Hu, and X. Wu, "Universal multi-Source domain adaptation for image classification," Pattern Recognit., vol. 121, 2022, doi: 10.1016/j.patcog.2021.108238. [DOI:10.1016/j.patcog.2021.108238]
3. "Granular fuzzy regression domain adaptation in Takagi-Sugeno fuzzy models".
4. C. Yang, Y. M. Cheung, J. Ding, K. C. Tan, B. Xue, and M. Zhang, "Contrastive Learning Assisted-Alignment for Partial Domain Adaptation," IEEE Trans. Neural Networks Learn. Syst., 2022, doi: 10.1109/TNNLS.2022.3145034. [DOI:10.1109/TNNLS.2022.3145034] [PMID]
5. M. Gholizade, H. Soltanizadeh, and M. Rahmanimanesh, "A Survey of Transfer Learning and Categories," Model. Simul. Electr. Electron. Eng., vol. 1, no. 3, pp. 17-25, 2021, doi: 10.22075/mseee.2021.23310.1062.
6. M. Gholizade, M. Rahmanimanesh, H. Soltanizadeh, and S. S. Sana, "Hesitant triangular fuzzy FlowSort method: the multi-criteria decision-making problems," Int. J. Syst. Sci. Oper. Logist., vol. 10, no. 1, 2023, doi: 10.1080/23302674.2023.2259293. [DOI:10.1080/23302674.2023.2259293]
7. B. Tan, E. Zhong, E. W. Xiang, and Q. Yang, "Multi-transfer: Transfer learning with multiple views and multiple sources," Stat. Anal. Data Min., vol. 7, no. 4, pp. 282-293, 2014, doi: 10.1002/sam.11226. [DOI:10.1002/sam.11226]
8. D. K. Nguyen, W. L. Tseng, and H. H. Shuai, "Domain-Adaptive Object Detection via Uncertainty-Aware Distribution Alignment," MM 2020 - Proc. 28th ACM Int. Conf. Multimed., pp. 2499-2507, 2020, doi: 10.1145/3394171.3413553. [DOI:10.1145/3394171.3413553]
9. V. Chouhan et al., "A Novel Transfer Learning Based Approach for Pneumonia Detection in Chest X-ray Images," Appl. Sci., vol. 10, no. 2, p. 559, Jan. 2020, doi: 10.3390/app10020559. [DOI:10.3390/app10020559]
10. S. F. Nourollahi, R. Baradaran, and H. Amirkhani, "Domain adaptation-based method for improving generalization of hate speech detection models," Signal Data Process., vol. 21, no. 1, pp. 125-142, Jun. 2024, doi: 10.61186/jsdp.21.1.125. [DOI:10.61186/jsdp.21.1.125]
11. Y. Zhu et al., "Deep subdomain adaptation network for image classification," IEEE Trans. Neural Networks Learn. Syst., vol. 32, no. 4, pp. 1713-1722, 2021, doi: 10.1109/TNNLS.2020.2988928. [DOI:10.1109/TNNLS.2020.2988928] [PMID]
12. J. Lu, H. Zuo, and G. Zhang, "Fuzzy Multiple-Source Transfer Learning," IEEE Trans. Fuzzy Syst., vol. 28, no. 12, pp. 3418-3431, 2020, doi: 10.1109/TFUZZ.2019.2952792. [DOI:10.1109/TFUZZ.2019.2952792]
13. H. Zuo, G. Zhang, W. Pedrycz, V. Behbood, and J. Lu, "Fuzzy Regression Transfer Learning in Takagi-Sugeno Fuzzy Models," IEEE Trans. Fuzzy Syst., vol. 25, no. 6, pp. 1795-1807, 2017, doi: 10.1109/TFUZZ.2016.2633376. [DOI:10.1109/TFUZZ.2016.2633376]
14. H. Zuo, G. Zhang, W. Pedrycz, V. Behbood, and J. Lu, "Granular Fuzzy Regression Domain Adaptation in Takagi-Sugeno Fuzzy Models," IEEE Trans. Fuzzy Syst., vol. 26, no. 2, pp. 847-858, 2018, doi: 10.1109/TFUZZ.2017.2694801. [DOI:10.1109/TFUZZ.2017.2694801]
15. H. Zuo, J. Lu, G. Zhang, and W. Pedrycz, "Fuzzy Rule-Based Domain Adaptation in Homogeneous and Heterogeneous Spaces," IEEE Trans. Fuzzy Syst., vol. 27, no. 2, pp. 348-361, 2019, doi: 10.1109/TFUZZ.2018.2853720. [DOI:10.1109/TFUZZ.2018.2853720]
16. E. Khaleghi, H. Solatanzadeh, and M. Gholizadeh, "Recognition of gait disorder in people with knee joint disability using FUZZY system," J. Mach. Vis. Image Process., vol. 9, no. 2, pp. 33-45, 2022, [Online]. Available: http://jmvip.sinaweb.net/article_139030.html
17. S. K. Meher and N. S. Kothari, "Interpretable Rule-Based Fuzzy ELM and Domain Adaptation for Remote Sensing Image Classification," IEEE Trans. Geosci. Remote Sens., vol. 59, no. 7, pp. 5907-5919, 2021, doi: 10.1109/TGRS.2020.3024796. [DOI:10.1109/TGRS.2020.3024796]
18. Z. Deng, Y. Jiang, F. L. Chung, H. Ishibuchi, and S. Wang, "Knowledge-leverage-based fuzzy system and its modeling," IEEE Trans. Fuzzy Syst., vol. 21, no. 4, pp. 597-609, 2013, doi: 10.1109/TFUZZ.2012.2212444. [DOI:10.1109/TFUZZ.2012.2212444]
19. V. Behbood, J. Lu, and G. Zhang, "Fuzzy refinement domain adaptation for long term prediction in banking ecosystem," IEEE Trans. Ind. Informatics, vol. 10, no. 2, pp. 1637-1646, 2014, doi: 10.1109/TII.2012.2232935. [DOI:10.1109/TII.2012.2232935]
20. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multi-Source Contribution Learning for Domain Adaptation," IEEE Trans. Neural Networks Learn. Syst., vol. 33, no. 10, pp. 5293-5307, 2022, doi: 10.1109/TNNLS.2021.3069982. [DOI:10.1109/TNNLS.2021.3069982] [PMID]
21. K. Li, J. Lu, H. Zuo, and G. Zhang, "Source-Free Multi-Domain Adaptation with Fuzzy Rule-based Deep Neural Networks," IEEE Trans. Fuzzy Syst., 2023, doi: 10.1109/TFUZZ.2023.3276978. [DOI:10.1109/TFUZZ.2023.3276978]
22. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multi-Source Contribution Learning for Domain Adaptation," IEEE Trans. Neural Networks Learn. Syst., 2021, doi: 10.1109/TNNLS.2021.3069982. [DOI:10.1109/TNNLS.2021.3069982] [PMID]
23. K. Li, J. Lu, H. Zuo, and G. Zhang, "Dynamic Classifier Alignment for Unsupervised Multi-Source Domain Adaptation," IEEE Trans. Knowl. Data Eng., vol. 35, no. 5, pp. 4727-4740, 2023, doi: 10.1109/TKDE.2022.3144423. [DOI:10.1109/TKDE.2022.3144423]
24. H. Zuo, J. Lu, G. Zhang, and F. Liu, "Fuzzy Transfer Learning Using an Infinite Gaussian Mixture Model and Active Learning," IEEE Trans. Fuzzy Syst., vol. 27, no. 2, pp. 291-303, 2019, doi: 10.1109/TFUZZ.2018.2857725. [DOI:10.1109/TFUZZ.2018.2857725]
25. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multi-Source Domain Adaptation with Fuzzy-Rule based Deep Neural Networks," IEEE Int. Conf. Fuzzy Syst., vol. 2021-July, 2021, doi: 10.1109/FUZZ45933.2021.9494586. [DOI:10.1109/FUZZ45933.2021.9494586]
26. F. Liu, G. Zhang, and J. Lu, "Multisource Heterogeneous Unsupervised Domain Adaptation via Fuzzy Relation Neural Networks," IEEE Trans. Fuzzy Syst., vol. 29, no. 11, pp. 3308-3322, 2021, doi: 10.1109/TFUZZ.2020.3018191. [DOI:10.1109/TFUZZ.2020.3018191]
27. J. Wang, Y. Chen, W. Feng, Y. U. Han, M. Huang, and Q. Yang, "Transfer learning with dynamic distribution adaptation," ACM Trans. Intell. Syst. Technol., vol. 11, no. 1, 2020, doi: 10.1145/3360309. [DOI:10.1145/3360309]
28. Y. Ganin and V. Lempitsky, "Unsupervised domain adaptation by backpropagation," 32nd Int. Conf. Mach. Learn. ICML 2015, vol. 2, pp. 1180-1189, 2015.
29. M. Long, Y. Cao, J. Wang, and M. I. Jordan, "Learning transferable features with deep adaptation networks," 32nd Int. Conf. Mach. Learn. ICML 2015, vol. 1, pp. 97-105, 2015.
30. Y. Zhu et al., "Multi-representation adaptation network for cross-domain image classification," Neural Networks, vol. 119, pp. 214-221, 2019, doi: 10.1016/j.neunet.2019.07.010. [DOI:10.1016/j.neunet.2019.07.010] [PMID]
31. B. Sun and K. Saenko, "Deep CORAL: Correlation alignment for deep domain adaptation," Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9915 LNCS, pp. 443-450, 2016, doi: 10.1007/978-3-319-49409-8_35. [DOI:10.1007/978-3-319-49409-8_35]
32. R. Xu, Z. Chen, W. Zuo, J. Yan, and L. Lin, "Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift," Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 3964-3973, 2018, doi: 10.1109/CVPR.2018.00417. [DOI:10.1109/CVPR.2018.00417]
33. Y. Zhu, F. Zhuang, and D. Wang, "Aligning domain-specific distribution and classifier for cross-domain classification from multiple sources," 33rd AAAI Conf. Artif. Intell. AAAI 2019, 31st Innov. Appl. Artif. Intell. Conf. IAAI 2019 9th AAAI Symp. Educ. Adv. Artif. Intell. EAAI 2019, pp. 5989-5996, 2019, doi: 10.1609/aaai.v33i01.33015989. [DOI:10.1609/aaai.v33i01.33015989]
34. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multi-Source Domain Adaptation with Distribution Fusion and Relationship Extraction," Proc. Int. Jt. Conf. Neural Networks, 2020, doi: 10.1109/IJCNN48605.2020.9207556. [DOI:10.1109/IJCNN48605.2020.9207556]
35. K. Li, J. Lu, H. Zuo, and G. Zhang, "Multidomain Adaptation with Sample and Source Distillation," IEEE Trans. Cybern., vol. 54, no. 4, pp. 2193-2205, 2024, doi: 10.1109/TCYB.2023.3236008. [DOI:10.1109/TCYB.2023.3236008] [PMID]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
