طبقه بندی تصویر مبتنی بر یادگیری انتقالی متخاصم بدون ناظر و حفظ فاصله ی بین کلاسی و درون کلاسی نمونه ها

در سال های اخیر در کاربردهای بینایی ماشین به طور فزاینده ای از تکنیک های یادگیری عمیق استفاده می شود. اما در برخی از کاربردها، به دلیل داده های ناکافی، مدل به درستی آموزش داده نمی شود که منجر به کاهش تعمیم پذیری می شود. به طوری که وقتی یک مدل یادگیری عمیق بر روی یک مجموعه داده آموزش داده می شود و روی مجموعه داده مشابه دیگری آزمایش می شود، این مدل نتایج تقریبا تصادفی را پیش بینی می کند. در این مقاله با هدف برطرف کردن این مشکل، از یادگیری انتقالی متخاصم بدون ناظر چندمنبعی برای افزایش تعمیم پذیری مدل بر روی مجموعه داده های مختلف (مبدا و مقصد) استفاده می شود. در تکنیک پیشنهادی، شبکه وادار می شود به جای یادگیری ویژگی های مختص یک دامنه خاص، ویژگی های مشترک بین مجموعه داده ها ی مختلف (مبدا و مقصد) را یاد بگیرد. همچنین از یک تابع خطای جدید مبتنی بر حفظ فاصله ی بین کلاسی و درون کلاسی استفاده می شود. با استفاده از تابع خطای پیشنهادی، شبکه بازنمایی های مشابه برای نمونه های متعلق به یک کلاس و بازنمایی های غیرمشابه برای نمونه های متعلق به کلاس های مختلف را به طور موثرتر یاد می گیرد. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با چهار مجموعه داده ی MNIST، MNIST-M، SVHN، و USPS انجام گرفته و با نتایج سایر الگوریتمهای موفق مقایسه می شود. دقت روش پیشنهادی به ازای مجموعه داده های MNIST، MNIST-M، SVHN، و USPS به ترتیب ۹۹.۵، ۹۸.۸، ۹۸.۵ و ۹۸.۲ درصد است.

کلیدواژه ها:

طبقه بندی تصویر ، یادگیری انتقالی ، تطبیق دامنه متخاصم چندمنبعی ، یادگیری عمیق