طبقه‌بندي تصاوير با استفاده از نمايش تُنُك و تطبيق زيرفضا

در بيش‌تر الگوريتم‌هاي يادگيري ماشين و پردازش تصوير، فرض اوليه بر اين است كه توزيع احتمال داده‌هاي آموزشي (دامنه منبع) و آزمايش (دامنه هدف) يكسان است؛ اما در كاربردهاي دنياي واقعي، برخي معيارها نظير حالت تصوير، روشنايي يا كيفيت تصوير، موجب ايجاد اختلاف قابل‌توجهي بين دو مجموعه آموزشي و آزمايش مي‌شود. به همين دليل، اغلب مدل‌هاي ايجاد‌شده بر روي داده‌هاي آموزشي عملكرد ضعيفي بر روي داده‌هاي آزمايش خواهند داشت؛ بااين‌حال‌، روش‌هاي تطبيق دامنه، راه‌حل بسيار مؤثري براي كاهش اختلاف توزيع بين دامنه‌هاي آموزشي و آزمايش هستند. در اين مقاله يك روش تطبيق دامنه با عنوان نمايش تُنُك و تطبيق زيرفضا (SRSA) پيشنهاد شده است، كه با وزن‌دهي مجدد نمونه‌هاي آزمايش و نگاشت داده‌ها به يك زيرفضاي جديد مشكل اختلاف توزيع داده‌ها را به‌خوبي مرتفع مي‌سازد. SRSA با استفاده از يك نمايش تُنُك، بخشي از مجموعه داده‌هاي هدف را كه ارتباط قوي‌تري با داده‌هاي منبع دارند، انتخاب مي‌كند؛ علاوه‌بر آن، SRSA با نگاشت داده‌هاي تُنُك هدف و داده‌هاي منبع به زيرفضاهاي مستقل، اختلاف توزيع آنها را درفضاي به‌دست‌آمده كاهش مي‌دهد؛ درنهايت با برروي‌هم‌گذاري زيرفضاهاي نگاشت‌شده، SRSA اختلاف توزيع بين داده‌هاي آموزشي و آزمايش را به كمينه مي‌رساند. ما روش پيشنهادي خود را با ترتيب‌دادن چهارده آزمايش بر روي پايگاه داده‌هاي‌ بصري مختلف مورد ارزيابي قرار‌داده و با مقايسه نتايج به‌دست‌آمده، نشان داده‌ايم كه SRSA عملكرد بهتري در مقايسه با جديدترين روش‌هاي يادگيري ماشين و تطبيق دامنه دارد.