خوشه بندي متمايز كننده و تطبيق توزيع شرطي براي كلاسه بندي تصاوير واقعي

در سال هاي اخير مساله كلاسه بندي تصاوير مورد توجه محققان قرار گرفته است كه در آن هدف تعيين كلاس يك تصوير مي باشد. اكثر روش هاي موجود در اين حوزه فرض مي كنند كه داده هاي آموزشي (دامنه منبع) و داده هاي تست (دامنه هدف) از توزيع يكسان و فضاي خصيصه اي يكسان تبعيت مي كنند. اگرچه در كاربرد هاي دنياي واقعي ممكن است به دليل كمبود دادههاي برچسب دار، مجبور شويم از دادههاي برچسب دار منابع مرتبط ديگر استفاده كنيم. در چنين شرايطي به دليل اختلاف توزيع بين دادههاي آموزشي و دادههاي تست، مدل آموزش ديده بر روي داده هاي آموزشي ممكن است عملكرد ضعيفي بر روي داده هاي تست داشته باشد. براي حل اين مساله از تطبيق دامنه يا يادگيري انتقالي استفاده شده است كه هدف آن ايجاد يك كلاسه بند بر روي داده هاي آموزشي است كه با وجود اختلاف توزيع بين دامنه ها عملكرد خوبي بر روي داده هاي تست داشته باشد. روش پيشنهادي در اين مقاله، يك روش تطبيق دامنه بدون نظارت با بهره گيري از تطبيق توزيع شرطي و خوشه بندي مي باشد. در اين روش ابتدا داده ها به يك فضاي مشترك كه داراي حداقل اختلاف توزيع شرطي بين دامنه هاي منبع و هدف است، نگاشت مي شوند و سپس در فضاي جديد ايجاد شده، خوشه بندي مستقل از دامنه براي ايجاد تفكيك پذيري بين كلاس ها بر روي دامنه منبع و هدف اعمال مي شود. روش پيشنهادي بر روي سه نوع پايگاه داده بصري مورد ارزيابي قرار گرفته است. نتايج گسترده نشان مي دهد كه روش پيشنهادي داراي بهبود قابل ملاحظه اي در مقايسه با جديد ترين روش هاي حوزه يادگيري ماشين و تطبيق دامنه است