دوره 19، شماره 3 - ( 9-1401 )
جلد 19 شماره 3 صفحات 34-19 |
برگشت به فهرست نسخه ها
دانشگاه صنعتی ارومیه
چکیده: (2962 مشاهده)
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.
شمارهی مقاله: 2
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1398/7/6 | پذیرش: 1401/7/2 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4
دریافت: 1398/7/6 | پذیرش: 1401/7/2 | انتشار: 1401/10/4 | انتشار الکترونیک: 1401/10/4
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |