حداقل‌سازي خطاي پيش‌بيني مدل‌هاي طبقه‌بندي تصوير با استفاده از كدگذاري تنك و تطبيق دامنه

Prediction Error Minimization of Image Classification Models via Sparse Coding and Domain Adaptation

تطبيق دامنه مي‌تواند دانش را از يك مجموعه آموزشي (دامنه منبع) به يك مجموعه آزمايشي (دامنه هدف) انتقال دهد تا بازدهي مدل يادگرفته‌شده از داده‌هاي آموزشي افزايش يابد. علاوه‌بر اين، استفاده از كدگذاري تنك، مدل يادگرفته‌شده را بسيار مختصر نموده و كنترل آن را ساده مي‌نمايد. با اين حال، اختلاف توزيع بين دامنه‌هاي منبع و هدف بازدهي مدل را كاهش مي‌دهد. در اين مقاله، ما يك مدل تطبيق دامنه بدون‌نظارت پيشنهاد مي‌دهيم تا خطاي پيش‌بيني مدل‌هاي طبقه‌بندي تصاوير را كاهش دهيم. از وزن‌دهي مجدد نمونه‌ها براي مديريت داده‌هاي اضافه و اطلاعات بلااستفاده داده‌هاي منبع در نمايش جديد استفاده مي‌شود. همچنين، اختلاف توزيع شرطي بين دامنه‌هاي منبع و هدف با استفاده از روي هم‌گذاري زيرفضاها كاهش داده مي‌شود. روش پيشنهادي ما يك طبقه‌بند مستقل از دامنه تنك در زيرفضاي به‌دست‌آمده مي‌باشد كه ساختار داده‌هاي ورودي را حفظ مي‌كند. آزمايشات گسترده نشان مي‌دهد كه روش پيشنهادي ما بر روي پايگاه‌داده‌هاي واقعي در مقايسه با روش‌هاي به روز در حوزه يادگيري ماشين و تطبيق دامنه، 4/49% بهبود در صحت طبقه‌بندي دارد.

Domain adaptation can transfer knowledge from a training set (source domain) to a test set (target domain), promoting the performance of the model learned from the training set. In addition, sparse coding makes the learned model more succinct and easy to manipulate. However, the existence of the distribution mismatch across the source and target domains reduce the performance of model. In this paper, we propose an unsupervised domain adaptation model to minimize the prediction error of image classification. Sample reweighting is utilized to handle redundant and useless information of source data in the new representation. Moreover, the difference of the conditional distributions across the source and target domains is reduced along with the subspace alignment. Our proposed approach learns a sparse domain-invariant classifier in a latent subspace with preserving the structure of the input data. Extensive experiments demonstrate that our proposed approach shows 4.49% improvement in classification accuracy on real-world datasets compared to state-of-the-art machine learning and domain adaptation methods.