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

الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

امیرفرهاد فرهادی ¹ (دانشجوی دکتری، گروه مهندسی‌ کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
میترا میرزارضایی ² (استادیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
آرش شریفی ³ (استادیار، گروه مهندسی کامپیوتر، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
محمد تشنه لب ⁴ (استاد، گروه مهندسی کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران)

تاريخ الإرسال : 24 الثلاثاء , جمادى الثانية, 1444 تاريخ التأكيد : 30 الجمعة , صفر, 1445 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: شبکه‌های تخاصمی مولد, شبکه عصبی پیچشی, خوشه‌بندی فازی, تطبیق دامنه, WMMD,

ملخص المقالة :

تطبیق دامنه می تواند 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 می شود. 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.

المصادر:

• 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.