دوره 17، شماره 2 - ( 6-1399 )
جلد 17 شماره 2 صفحات 47-58 |
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:
Sherafati F, Tahmoresnezhad J. Image Classification via Sparse Representation and Subspace Alignment. JSDP 2020; 17 (2) :58-47
URL: http://jsdp.rcisp.ac.ir/article-1-887-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-887-fa.html
شرافتی فریماه، طهمورث نژاد جعفر. طبقه‌بندی تصاویر با استفاده از نمایش تُنُک و تطبیق زیرفضا. پردازش علائم و داده‌ها. 1399; 17 (2) :58-47
دانشگاه صنعتی ارومیه
چکیده: (2514 مشاهده)
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.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1397/5/27 | پذیرش: 1398/8/12 | انتشار: 1399/6/24 | انتشار الکترونیک: 1399/6/24
دریافت: 1397/5/27 | پذیرش: 1398/8/12 | انتشار: 1399/6/24 | انتشار الکترونیک: 1399/6/24
فهرست منابع
1. [1] Y. Zhang, T. Liu, M. Long, and M. I. Jordan, "Bridging Theory and Algorithm for Domain Adaptation", arXiv preprint arXiv:1904.05801, 2019.
2. [2] S. Rezaei and J. Tahmoresnezhad, "Discriminative and domain invariant subspace alignment for visual tasks", Iran Journal of Computer Science, pp. 1-12, 2019. [DOI:10.1007/s42044-019-00037-y]
3. [3] W. Kumagai and T. Kanamori, "Risk bound of transfer learning using parametric feature mapping and its application to sparse coding", Machine Learning, pp. 1-34, 2019. [DOI:10.1007/s10994-019-05805-2]
4. [4] I. Jolliffe "Principal component analysis", Wiley, vol. 2, pp. 433-459, 2002. [DOI:10.1002/wics.101]
5. [5] M. Jing, J. Li, J. Zhao, and K. Lu, "Learning distribution-matched landmarks for unsupervised domain adaptation", In International conference on database systems for advanced applications, pp. 491-508, 2018. [DOI:10.1007/978-3-319-91458-9_30]
6. [6] A. Li, D. Chen, Z. Wu, G. Sun, and K. Lin, "Self-supervised sparse coding scheme for image classification based on low rank represent-tation", PloS one, Vol. 13(6), e0199141, 2018. [DOI:10.1371/journal.pone.0199141] [PMID] [PMCID]
7. [7] A. Mirjalili, V. Abootalebi, M. T. Sadeghi, "mproving the performance of sparse representation-based classifier for EEG classification," JSDP , pp. 43-55, 2015.
8. [8] X. Li, M. Fang, J. J. Zhang and J. Wu, "Sample selection for visual domain adaptation via sparse coding", Signal Processing: Image Communi-cation, vol. 44, pp. 92-100, 2016. [DOI:10.1016/j.image.2016.03.009]
9. [9] B. Gong, Y. Shi, F. Sha and K. Grauman, "Geodesic flow kernel for unsupervised domain adaptation", Proceedings of the IEEE Con-ference on Computer Vision and Pattern Recog-nition, pp. 2066-2073, 2012.
10. [10] S. J. Pan, I. W. Tsang, J. T. Kwok and Q. Yang, "Domain adaptation via transfer component analysis", IEEE Trans. Neural Netw, vol. 22, no. 2, pp. 199-210, 2011. [DOI:10.1109/TNN.2010.2091281] [PMID]
11. [11] B. Fernando, A. Habrard, M. Sebban, and T. Tuytelaars, "Unsupervised visual domain adap-tation using subspace alignment", in Proc. IEEE International Conference on Computer vision, pp. 2960-2967, 2013. [DOI:10.1109/ICCV.2013.368]
12. [12] M. Ghifary, D. Balduzzi, W. B. Kleijn, and M. Zhang, "Scatter component analysis: A unified framework for domain adaptation and domain generalizayion", IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 1-1, 2016.
13. [13] B. Sun and K. Saenko, "Subspace distribution alignment for unsupervised domain adaptation", in Proc. British Machine Vision Conference, 2015. [DOI:10.5244/C.29.24]
14. [14] J. Tahmoresnezhad and S. Hashemi, "Visual domain adaptation via transfer feature learning", Knowledge and Information Systems, vol. 50, no. 2, pp. 585-605, 2017. [DOI:10.1007/s10115-016-0944-x]
15. [15] X. Li, M. Fang, J. J. Zhang and J. Wu, "Sample selection for visual domain adaptation via sparse coding", Signal Processing: Image Communi-cation, vol. 44, pp. 92-100, 2016. [DOI:10.1016/j.image.2016.03.009]
16. [16] K. Saenko, B. Kulis, M. Fritz and T. Darrell, "Adapting visual category models to new domains", Proceedings of the European Con-ference on Computer Vision, pp. 213-226, 2010. [DOI:10.1007/978-3-642-15561-1_16]
17. [17] G.Griffin, A. Holub and P. Perona, "Caltech-256 object category dataset", Technical Report7694, 2007.
18. [18] J. J. Hull, "A¬", IEEE Trans. Pattern Anal. Mach. Intell, vol. 16, no. 5, pp. 550-554, 1994. [DOI:10.1109/34.291440]
19. [19] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, "Gradient-based learning applied to document recognition", Proc. IEEE, vol. 86, no. 11, pp. 2278-2324, 1998. [DOI:10.1109/5.726791]
20. [20] L. Duan, D. Xu, I.W. Tsang, "Domain adaptation from multiple sources: a domain-dependent regularization approach", IEEE Trans. Neural Netw. Learn. Syst, vol. 23, no. 3, pp. 504-518, 2012. [DOI:10.1109/TNNLS.2011.2178556] [PMID]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
