هم‌ترازي تصوير از طريق يادگيري خصوصيت كرنل‌شده

در بسياري از الگوريتم ‌هاي يادگيري ماشين، فرض اوليه بر اين اساس است كه مجموعه‌داده آموزشي (دامنه منبع) و مجموعه‌داده آزمون (دامنه هدف) توزيع يكساني را به اشتراك مي گذارند. اين در حالي است كه در اغلب مسائل دنياي واقعي، به‌دليل اختلاف توزيع احتمال بين دامنه منبع و هدف، اين فرض نقض مي شود. براي مقابله با اين مشكل، يادگيري انتقالي و تطبيق دامنه، مدل را براي مقابله با داده‌ هاي هدف داراي توزيع متفاوت، تعميم مي‌ دهند. در اين مقاله ما يك روش تطبيق دامنه با عنوان هم‌ ترازي تصوير از طريق يادگيري خصوصيت كرنل‌شده (IMAKE) را به‌منظور حفظ اطلاعات عمومي و هندسي دامنه ‌هاي منبع و هدف پيشنهاد مي ‌دهيم. روش پيشنهادي يك زيرفضاي مشترك بين دامنه‌ هاي منبع و هدف جستجو مي‌كند تا اختلاف توزيع آنها را به كمينه برساند. IMAKE از هر دو تطبيق توزيع هندسي و عمومي به‌صورت هم‌ زمان بهره مي‌ برد. روش پيشنهادي دامنه‌ هاي منبع و هدف را به يك زيرفضاي كم بعد مشترك به‌صورت بدون نظارت منتقل مي كند تا اختلاف احتمال توزيع شرطي و حاشيه‌ اي داده ‌هاي دامنه منبع و هدف را از طريق بيشينه اختلاف ميانگين‌ها كمينه كند و براي تطبيق توزيع هندسي از هم‌ ترازي منيفلد بهره مي‌ گيرد. كارايي روش پيشنهادي با استفاده از پايگاه داده ‌هاي بصري متنوع و استاندارد با ۳۶ آزمايش مورد ارزيابي قرار گرفته است. نتايج به‌دست‌ آمده، نشان دهنده بهبود قابل ملاحظه از عملكرد روش پيشنهادي در مقايسه با جديدترين روش‌هاي حوزه يادگيري ماشين و يادگيري انتقالي است.