ارائه يك روش يادگيري خود - نظارتي عميق مبتني بر تبديل موجك گسسته دو بعدي براي تعميم دامنه تصاوير

Proposing a deep self – supervised learning method based on two dimensional discrete wavelet transform for image domain generalization

در يادگيري ماشين، انتقال و تعميم دانش يادگرفته شده از يك دامنه به دامنههاي ديگر، يكي از قابليتهاي مهم و اساسي به شمار ميرود. از آنجا كه يادگيري با نظارت هرگز نميتواند كامل باشد، استفاده از روشهاي ديگري همچون روشهاي يادگيري خود - نظارتي ميتواند براي مسألهي تعميم دامنه بسيار كمك كننده باشد. در اين مقاله، ما روشي را ارائه ميدهيم كه علاوه بر طبقه بندي تصاوير اصلي به منظور يادگيري برچسبهاي داده در فرايند با نظارت، سعي ميكند كه تصاوير حاصل از اعمال تبديل موجك گسسته بر روي تصاوير اصلي را با توليد شبه برچسبهايي براي آنها طبقه بندي كند. اين كار به عنوان يك وظيفهي خود - نظارتي ميتواند باعث يادگيري ويژگيهاي مفيد و يك بازنمايش كلي در ميان تصاوير دامنههاي مختلف شود، كه ميتواند به بهبود مسألهي و حدس زاويه چرخش با تبديل jigsaw تعميم دامنه بسيار كمك كند. در ادامه با تركيب روشهاي خود - نظارتي مانند پازل موجك گسسته، نشان ميدهيم كه اين تركيب مي تواند باعث بهبود نتايج براي مسألهي تعميم دامنه شود. در اين مقاله، ما از براي انجام آزمايشها استفاده كرديم و نتايج نشان ميدهند كه Office-Home و VLCS ،PACS مجموعه دادههاي معروف روش پيشنهادي ما ميتواند از روشهاي پيشرفته و به روز تعميم دامنه بهتر عمل كند.

In machine learning, transferring and generalizing the knowledge learned from one domain to another is one of the important and basic capabilities. Since supervised learning is not complete, the use of other methods, such as self-supervised learning methods, can be very helpful in domain generalization. In this paper, we present a method that, in addition to classify original images in order to learn data labels in a supervised process, attempts to classify images resulting from the application of discrete wavelet transform on the original images by generating pseudo-labels for them. This extra work as a self-supervision task can lead to learn useful features and a general image representation for images of different domains, which can greatly help to improve the problem of domain generalization. In the following, by combining self-supervised methods such as jigsaw puzzles and guessing the rotation angle with discrete wavelet transform, we show that this combination can improve the results for the domain generalization problem. In this paper, we used the well-known PACS, VLCS and office-Home datasets to perform experiments, and the results show that our proposed method can work better than advanced and state-of-the-art domain generalization methods.