انطباق دامنه کرنلی و تطبیق توزیع متعادل برای طبقه بندی تصاویر

یادگیری انتقالی و انطباق دامنه از جمله راه حل های موثر در بهبود عملکرد طبقه بند های تصویر هستند که در آن دامنه منبع (مجموعه آموزشی) و دامنه هدف (مجموعه آزمایشی) از اختلاف توزیع احتمال قابل توجهی برخوردارند. در واقع، نظر به اینکه جمع آوری داده های ورودی در شرایط مختلف (مانند وضعیت نور یا درجه حرارت)، تجهیزات مختلف با ویژگی های متغیر (مانند تعداد پورت های ورودی یا کیفیت رزولوشن) و دیدگاه های مختلف (مانند ابعاد و محیط) انجام می شود، منجر به مسئله ی تغییر دامنه می شود. انطباق دامنه نیمه نظارت شده، راه حلی پیشتاز برای مسئله ی تغییر دامنه است که در آن، دامنه منبع و بخش کوچکی از دامنه هدف دارای برچسب هستند. در این مقاله انطباق دامنه کرنلی و تطبیق توزیع متعادل (KEDA) را برای انطباق دامنه های منبع و هدف، به صورت نیمه نظارتی پیشنهاد می کنیم. KEDA توپولوژی دامنه ها را از طریق ایجاد ماتریس لاپلاسی و از نقطه نظرهای شباهت و تفاوت حفظ می کند. علاوه بر این، KEDA توزیع شرطی و حاشیه ای بین دامنه ها را تطبیق می دهد. در نهایت، مجموع این راه حل ها، تابع طبقه بندی خوبی برای برچسب زدن تصاویر بدون برچسب نتیجه می دهد. روش پیشنهادی با روش های پیشرفته انطباق دامنه بر روی دیتاست های آفیس-کلتک-۱۰ ، اعداد ، پای و کویل مقایسه شده است که نتایج، بهبود عملکرد قابل توجهی در روش پیشنهادی ما را نشان می دهد.

کلیدواژه ها:

Image classification ، Manifold matching ، Balanced distribution adaptation ، Transfer learning ، Knowledge transfer