پردازش تصویر بین دامنه ای با استفاده از تحلیل تفکیک خطی و تطبیق دامنه مبتنی بر نمونه

پردازش تصویر روشی برای اعمال برخی عملیات ها بر روی یک تصویر است به طوری که با استفاده از آن، تصاویری با کیفیت بالاتر به دست آمده یا برخی اطلاعات مفید از تصویر استخراج می شود. الگوریتم های سنتی پردازش تصویر در شرایطی که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می شوند، توزیع متفاوتی از تصاویر آزمایش (دامنه هدف) داشته باشند، نمی توانند عملکرد خوبی داشته باشند. با این حال، بسیاری از برنامه های کاربردی دنیای واقعی به علت کمبود داده های برچسب دار آموزشی دارای محدودیت هستند؛ از این رو از داده های برچسب دار دامنه های دیگر استفاده می کنند. به این ترتیب به خاطر اختلاف توزیع بین دامنه های منبع و هدف، طبقه بند یادگرفته شده براساس مجموعه آموزشی بر روی داده های آزمایشی عملکرد ضعیفی خواهد داشت. یادگیری انتقالی و انطباق دامنه، با به کارگیری مجموعه داده های موجود دو راه حل برجسته برای مقابله با این چالش هستند، و حتی با وجود اختلاف توزیع قابل ملاحظه بین دامنه ها می توانند دانش را از دامنه های مرتبط به دامنه هدف انتقال دهند. فرض اصلی در مساله تغییر دامنه این است که توزیع حاشیه ای یا توزیع شرطی داده های منبع و هدف متفاوت باشد. تطبیق دامنه به طور صریح با استفاده از معیار فاصله ازپیش تعیین شده تفاوت در توزیع حاشیه ای، توزیع شرطی یا هر دو توزیع را کاهش می دهد. در این مقاله، ما به یک سناریوی چالش برانگیز می پردازیم که در آن تصاویر دامنه های منبع و هدف در توزیع های حاشیه ای متفاوت بوده و تصاویر هدف دارای برچسب نیستند. بیش تر روش های قبلی دو استراتژی یادگیری تطابق ویژگی ها و وزن دهی مجدد نمونه ها را به طور مستقل برای تطبیق دامنه ها مورد بررسی قرار داده اند. در این مقاله، ما نشان می دهیم زمانی که تفاوت دامنه ها به طور قابل توجهی بزرگ باشد، هر دو استراتژی مهم و اجتناب ناپذیر هستند. روش پیشنهادی ما تحت عنوان تطبیق دامنه مبتنی بر نمونه برای طبقه بندی تصاویر (DAIC)، یک فرایند کاهش بعد بوده که با کاهش اختلاف توزیع تصاویر آموزشی و آزمایشی و به کارگیری هم زمان تطابق ویژگی ها و وزن دهی مجدد کارایی مدل را افزایش می دهد. ما با گسترش واگرایی برگمن غیرخطی برای اندازه گیری تفاوت توزیع حاشیه ای و اعمال آن به الگوریتم کاهش بعد آنالیز تفکیک خطی فیشر، از آن برای ساخت یک نمایش ویژگی موثر و قوی برای تفاوت های توزیع قابل ملاحظه بین دامنه ها استفاده می کنیم؛ همچنین، DAIC از مزیت برچسب گذاری اولیه برای داده های هدف به صورت تکرار شونده برای هم گرایی مدل استفاده می کند. آزمایش های گسترده ما نشان می دهد که DAIC به طور قابل توجهی بهتر از الگوریتم های یادگیری ماشین پایه و دیگر روش های یادگیری انتقالی در نه مجموعه داده بصری تحت سناریوهای مختلف عمل می کند.