مقاله

هم‌ترازی تصویر از طریق یادگیری خصوصیت کرنل‌شده

دانلود متن کاملرایگان، با حساب کاربری؛ ثبت نام با گوگل چند ثانیه است

چکیده

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.

نویسندگان و وابستگی سازمانی
  1. الهه شهروز — دانشگاه صنعتی ارومیه
  2. جعفر طهمورث نژاد — دانشگاه صنعتی ارومیه

شکل‌ها (۱)

  • شکل، صفحه‌ی ۱
    صفحه‌ی ۱

شکل‌ها از متن کامل مقاله برداشته شده‌اند و حقوقشان از آنِ نویسندگان و ناشر است. منبع: صفحه‌ی اصلی مقاله

اسناد مشابه