حداقل‌سازي خطاي بازسازي تصاوير از طريق تطبيق توزيع و محدوديت رتبه-پايين

Image Reconstruction Error Minimization via Distribution Adaptation and Low-Rank Constraint

هدف از تطبيق دامنه تصويري، يادگيري مدل‌هاي مقاوم براي داده‌هاي آزمايشي، با استفاده از انتقال دانش از داده‌هاي آموزشي است، درحالي‌كه مجموعه‌هاي آموزشي و آزمايشي داراي توزيع‌هاي متفاوتي هستند. روش‌هاي موجود تلاش مي‌كنند تا مسئله تغيير دامنه‌ها را با استفاده از تطبيق دامنه‌ها يا اعمال محدوديت‌هاي رتبه-پايين حل نمايند. در اين مقاله، ما يك روش دو مرحله‌اي غيرنظارت شده با عنوان حداقل‌سازي خطاي بازسازي تصاوير از طريق تطبيق توزيع و محدوديت رتبه-پايين پيشنهاد مي‌دهيم كه از هر دو روش تطبيق توزيع‌ها و محدوديت‌هاي رتبه-پايين براي فائق آمدن به اختلاف توزيع دامنه‌ها استفاده مي‌كند. در مرحله اول، روش پيشنهادي ما داده‌هاي آموزشي و آزمايشي را به يك زيرفضاي مشترك نگاشت مي‌كند تا اختلاف توزيع حاشيه‌اي و شرطي دامنه‌ها حداقل شود. علاوه بر آن، EDA از خوشه‌بندي مستقل از دامنه براي تفكيك بين كلاس‌هاي مختلف بهره مي‌برد. در مرحله دوم، براي حفظ ساختار داده در زيرفضاي مشترك، EDA خطاي بازسازي داده‌ها را با استفاده از محدوديت‌هاي رتبه-پايين و تنك حداقل مي‌كند. به‌طوركلي، EDA مسئله اختلاف دامنه‌ها را با پيچيدگي زماني درجه سه حل مي‌كند. روش پيشنهاد شده بر روي تنوعي از پايگاه داده‌هاي شناخته شده بصري ارزيابي مي‌شود و كارايي آن با ديگر روش‌هاي به‌روز تطبيق دامنه‌ها مقايسه مي‌شود. ميانگين دقت EDA بر روي 32 آزمايش 68/33% به‌دست‌آمده كه نسبت به ديگر روش‌هاي به‌روز تطبيق دامنه، با بهبود 4/28% عملكرد بهتري دارد.

Visual domain adaptation aims to learn robust models for the test data by knowledge transferring from a training data where the training and test sets are from different distributions. Existing approaches attempt to solve domain shift problem with either adaptation across domains or performing low-rank constraints. In this paper, we propose a two-phases unsupervised approach referred as image reconstruction Error minimization via Distribution Adaptation and low-rank constraint (EDA), which benefits from both the distribution adaptation and the low-rank constraints to tackle distribution mismatch across domains. In the first phase, our proposed approach projects the training and test data onto a common subspace in which the marginal and conditional distribution differences of domains are minimized. Moreover, EDA benefits from domain invariant clustering to discriminate between various classes of data. In the second phase, for preserving data structure in the shared subspace, EDA minimizes the data reconstruction error using low-rank and sparse constraints. Overall, EDA solves the domain mismatch problem in cubic time complexity. The proposed approach is evaluated on variety of visual benchmark datasets and its performance is compared with the other state-of-the-art domain adaptation methods. The average accuracy of EDA on 32 experiments is determined 68.33% where outperforms other state-of-the-art domain adaptation methods with 4.28% improvement.