کلاسه بندی تصویر توسط یادگیری انتقالی خصوصیات و تطبیق نمونه ها

فرض اصلی در بسیاری از الگوریتم های یادگیری ماشین و داده کاوی این است که داده های آموزشی و داده های تست از یک فضای خصیصه ای یکسان و دارای توزیع یکسان باشند. با این حال، در بسیاری از کاربردهای دنیای واقعی از جمله کلاسه بندی تصاویر، این فرض رعایت نمی شود. در سال های اخیر، انطباق دامنه به عنوان یک چهارچوب یادگیری جدید برای رسیدگی به این مشکل پدید آمدهاست. روش های موجود که تلاش می کنند توزیعدامنه های منبع و هدف را یکسان نمایند، از تمام نمونه ها استفاده می کنند، اما همه نمونه ها ممکن است برای دستیابی به این هدف مناسب نباشند. انتخاب نمونه یک روش کلیدی برای مورد خطاب قرار دادن مساله انطباق دامنه است. روش پیشنهادی در این مقاله از یکی از تکنیک های انتخاب نمونه برای وزن دهی به نمونه های دامنه منبع برای کلاسه بندی تصاویر استفاده می کند. همچنین با بهره گیری از روش های تطبیق خصوصیات و نگاشت داده ها به یک فضای مشترک، اختلاف توزیع شرطی بین دامنه های منبع و هدف را کاهش می دهد. روش پیشنهادی یر روی دو نوع پایگاه داده بصری با 14 آزمایش طراحی شده، مورد ارزیابی قرار گرفت. نتایج حاکی از بهبود قابل ملاحظه عملکرد روش پیشنهادی در مقایسه با جدیدترین روش های حوزه انطباق دامنه و یادگیری انتقالی در کاربرد کلاسه بندی تصویر است.