ارائه یک روش یادگیری خود - نظارتی عمیق مبتنی بر تبدیل موجک گسسته دو بعدی برای تعمیم دامنه تصاویر

 در یادگیری ماشین، انتقال و تعمیم دانش یادگرفته شده از یک دامنه به دامنه­ های دیگر، یکی از قابلیت­ های مهم و اساسی به شمار می­ رود. از آن­جا که یادگیری با نظارت هرگز نمی­ تواند کامل باشد، استفاده از روش­ های دیگری همچون روش ­های یادگیری خود - نظارتی می­ تواند برای مساله­ ی تعمیم دامنه بسیار کمک کننده باشد. در این مقاله، ما روشی را ارائه می ­دهیم که علاوه بر طبقه بندی تصاویر اصلی به منظور یادگیری برچسب­ های داده در فرایند با نظارت، سعی می­ کند که تصاویر حاصل از اعمال تبدیل موجک گسسته بر روی تصاویر اصلی را با تولید شبه برچسب­ هایی برای آنها طبقه بندی کند. این کار به عنوان یک وظیفه ­ی خود - نظارتی می­ تواند باعث یادگیری ویژگی­ های مفید و یک بازنمایش کلی در میان تصاویر دامنه­ های مختلف شود، که می­ تواند به بهبود مساله ­ی تعمیم دامنه بسیار کمک کند. در ادامه با ترکیب روش­ های خود - نظارتی مانند پازل jigsaw و حدس زاویه چرخش با تبدیل موجک گسسته، نشان می­ دهیم که این ترکیب می تواند باعث بهبود نتایج برای مساله­ ی تعمیم دامنه شود. در این مقاله، ما از مجموعه داده­ های معروف PACS، VLCS و Office-Home برای انجام آزمایش­ ها استفاده کردیم و نتایج نشان می­ دهند که روش پیشنهادی ما می­تواند از روش­ های پیشرفته و به روز تعمیم دامنه بهتر عمل کند.

کلیدواژه ها:

تطبیق دامنه ، تعمیم دامنه ، دامنه منبع ، دامنه هدف ، یادگیری - خودنظارتی ، تبدیل موجک