تطبیق دامنه بدون نظارت جهت طبقه‌بندی تصاویر با استفاده از شبکه‌های عصبی عمیق

سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

مقاله 4، دوره 4، شماره 1 - شماره پیاپی 11، فروردین 1402، صفحه 27-37   

نوع مقاله: مقاله پژوهشی

نویسندگان

امیرفرهاد فرهادی¹؛ میترا میرزارضایی^{* 2}؛ آرش شریفی²؛ محمد تشنه لب³

¹دانشجوی دکتری، گروه مهندسی‌ کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

²استادیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

³استاد، گروه مهندسی کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

چکیده

تطبیق دامنه می­تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه­ هدف) انتقال­ دهد تا بازدهی مدل یادگرفته­ شده از داده­ های آموزش، افزایش ­یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم ­بندی­ می­شود. در این پژوهش دامنه­ های بدون­­­ نظارت مورد بررسی قرارمی‌گیرد. یکی از چالش‌ها در تطبیق دامنه که به آن کمتر توجه ­شده ­است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب داده‌های نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقه‌بندی می‌شود. در این مقاله با استفاده از شبکه‌ تخاصمی مولد جهت استخراج ویژگی‌ها با درنظرگرفتن فشردگی درون-کلاسی دامنه‌ها بر مبنای تخمین اولیه برچسب‌ها با کمک الگوریتم خوشه‌بندی فازی c-means در گام اول و در گام دوم با کمک شبکه‌های عصبی پیچشی و متریک WMMD جهت طبقه‌بندی تصاویر با خطای کمتر ارائه ­شده ­است. ارزیابی‌ و نتایج به ­دست ­آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روش‌های پیشین نشان­ دهنده عملکرد بهتر نسبت به رهیافت‌های مشابه می‌باشد.

کلیدواژه‌ها

تطبیق دامنه؛ خوشه‌بندی فازی؛ شبکه عصبی پیچشی؛ شبکه‌های تخاصمی مولد؛ WMMD

مراجع

• P.-A. I. Good fellow, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. and a. Y. B. Courville, "Generative adversarial nets," presented at the 27th Advances in Neural Information Processing Systems, 2014.
• C. Yoshua Bengio, Pascal Vincent, "Representation Learning: A Review and New Perspectives," IEEE transactions on pattern analysis and machine intelligence, vol. 35, no. 8, pp. 1798-1828, 2013.
• B. Yann LeCun, Geoffrey Hinton, "Deep learning," Nature, vol. 521, pp. 436–444, 2015.
• Z. Rongrong Peng, and Peiming Shi "Multi-Representation Domain Adaptation Network with Duplex Adversarial Learning for Hot-Rolling Mill Fault Diagnosis," Entopy, vol. 25, no. 1, p. 83, 2023.
• Z. Peiyi Wei, Yanping Tang, Zhixin Li, Zhiwen Wang, "Reinforced domain adaptation with attention and adversarial learning for unsupervised person Re-ID," Applied Intelligence, vol. 53, pp. pages4109–4123, 2023.
• S. Alex Krizhevsky, Geoffrey E. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," presented at the 25th Advances in Neural Information Processing Systems 2012.
• W. PEEYUSH SINGHAL, SHEELA RAMANNA, and A. K. KOTECHA, "Domain Adaptation: Challenges, Methods, Datasets, and Applications," IEEE Access, vol. 11, 2023.
• C. Mingsheng Long, Jianmin Wang, Michael I. Jordan, "Learning Transferable Features with Deep Adaptation Networks," presented at the 32nd International Conference on Machine Learning, Lille, France, 2015.
• U. Yaroslav Ganin, Hana Ajakan and P. Germain, "Domain-Adversarial Training of Neural Networks," Journal of Machine Learning Research, vol. 17, pp. 1-35, 2016.
• F. Jindong Wang, Yiqiang Chen,Han Yu, Philip S. Yu, "Visual Domain Adaptation with Manifold Embedded Distribution Alignment," in 26th ACM international conference on Multimedia, 2018.
• D. Hongliang Yan, Peihua Li, Qilong Wang, Yong Xu, Wangmeng Zuo, "Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation," presented at the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
• Z. Yiju Yang , Guanyu Li , Taejoon Kim , Guanghui Wang, "An unsupervised domain adaptation model based on dual-module adversarial training," Neurocomputing, vol. 475, pp. 102-111, 2022.
• M. B. Arthur Gretton, Malte J. Rasch, Bernhard Scho ̈lkopf, Alexander Smola, "A Kernel Two-Sample Test," Journal of Machine Learning Research, vol. 13, pp. 723-773, 2012.
• Zadeh, "Fuzzy Sets," nformation and Control, vol. 8, pp. 338-353, 1965.
• E. James C. Bezdek, William Full, "FCM: The fuzzy c-means clustering algorithm," Computers & Geosciences, vol. 10, no. 2-3, pp. 191-203, 1984.
• T. S. Lida Naderlou, "Presenting a model for Multi-layer Dynamic Social Networks to discover Influential Groups based on a combination of Developing Frog Leaping Algorithm and C-means Clustering," Intelligent Multimedia processing and Communication Systems (IMPCS), vol. 3, no. 3, pp. 29-39, 2022.
• C. Martin Arjovsky, and L ́eon Bottou, "Wasserstein GAN," arXiv:1701.07875v3, 2017.
• L. B. Diederik P. Kingma, "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION," arXiv:1412.6980v9, 2015.
• N. Mahdi Hariri, "Improve the Quality of Mammogram Images by Image Processing Techniques," Intelligent Multimedia processing and Communication Systems (IMPCS), vol. 3, no. 1, pp. 57-69, 2022.