انطباق دامنه كرنلي و تطبيق توزيع متعادل براي طبقه‌بندي تصاوير

Kernelized Domain Adaptation and Balanced Distributions Alignment for Image Classification

يادگيري انتقالي و انطباق دامنه از جمله راه حل‌هاي موثر در بهبود عملكرد طبقه‌بند‌هاي تصوير هستند كه در آن دامنه منبع (مجموعه آموزشي) و دامنه هدف (مجموعه آزمايشي) از اختلاف توزيع احتمال قابل توجهي برخوردارند. در واقع، نظر به اينكه جمع‌آوري داده هاي ورودي در شرايط مختلف (مانند وضعيت نور يا درجه حرارت)، تجهيزات مختلف با ويژگي هاي متغير (مانند تعداد پورت‌هاي ورودي يا كيفيت رزولوشن) و ديدگاه‌هاي مختلف (مانند ابعاد و محيط) انجام مي‌شود، منجر به مسئله‌ي تغيير دامنه مي‌شود. انطباق دامنه نيمه نظارت شده، راه حلي پيشتاز براي مسئله‌ي تغيير دامنه است كه در آن، دامنه منبع و بخش كوچكي از دامنه هدف داراي برچسب هستند. در اين مقاله انطباق دامنه كرنلي و تطبيق توزيع متعادل (KEDA) را براي انطباق دامنه‌هاي منبع و هدف، به صورت نيمه نظارتي پيشنهاد مي‌كنيم. KEDA توپولوژي دامنه‌ها را از طريق ايجاد ماتريس لاپلاسي و از نقطه نظرهاي شباهت‌ و تفاوت‌ حفظ مي‌كند. علاوه بر اين، KEDA توزيع شرطي و حاشيه‌اي بين دامنه‌ها را تطبيق مي دهد. در نهايت، مجموع اين راه حل‌ها، تابع طبقه‌بندي خوبي براي برچسب زدن تصاوير بدون برچسب نتيجه مي‌دهد. روش پيشنهادي با روش‌هاي پيشرفته انطباق دامنه بر روي ديتاست‌هاي آفيس-كلتك-10 ، اعداد ، پاي و كويل مقايسه شده است كه نتايج، بهبود عملكرد قابل توجهي در روش پيشنهادي ما را نشان مي‌دهد.

Transfer learning and domain adaptation are effective solutions for performance improvement of image classifiers where the source domain (training set) and target domain (test set) have substantial probability distribution differences. In fact, collecting input data in various conditions (such as lighting or temperature), different equipment with variable characteristics (such as number of input ports or resolution quality) and different views (such as dimensions or environment) results domain shift problem. Semi-supervised domain adaptation is a leading solution for domain shift problem, where the source domain and a small part of target domain are labeled. In this paper, we propose KErnelized Domain Adaptation and balanced distributions alignment (KEDA) to adapt the source and target domains in a semi-supervised manner. KEDA preserves the topology of domains via creating a Laplacian matrix and similarity and dissimilarity views. Moreover, KEDA adapts the regularized conditional and marginal distributions across domains. Ultimately, the sum of these solutions leads to a good classification function for labeling the unlabeled images. The proposed method is compared with the state-of-the-art methods of domain adaptation on Office-Caltech-10, Digits, Pie, and Coil datasets where results show considerable performance improvement of our proposed method