حداقل سازی خطای بازسازی تصاویر از طریق تطبیق توزیع و محدودیت رتبه-پایین

هدف از تطبیق دامنه تصویری، یادگیری مدل های مقاوم برای داده های آزمایشی، با استفاده از انتقال دانش از داده های آموزشی است، درحالی که مجموعه های آموزشی و آزمایشی دارای توزیع های متفاوتی هستند. روش های موجود تلاش می کنند تا مسئله تغییر دامنه ها را با استفاده از تطبیق دامنه ها یا اعمال محدودیت های رتبه-پایین حل نمایند. در این مقاله، ما یک روش دو مرحله ای غیرنظارت شده با عنوان حداقل سازی خطای بازسازی تصاویر از طریق تطبیق توزیع و محدودیت رتبه-پایین پیشنهاد می دهیم که از هر دو روش تطبیق توزیع ها و محدودیت های رتبه-پایین برای فایق آمدن به اختلاف توزیع دامنه ها استفاده می کند. در مرحله اول، روش پیشنهادی ما داده های آموزشی و آزمایشی را به یک زیرفضای مشترک نگاشت می کند تا اختلاف توزیع حاشیه ای و شرطی دامنه ها حداقل شود. علاوه بر آن، EDA از خوشه بندی مستقل از دامنه برای تفکیک بین کلاس های مختلف بهره می برد. در مرحله دوم، برای حفظ ساختار داده در زیرفضای مشترک، EDA خطای بازسازی داده ها را با استفاده از محدودیت های رتبه-پایین و تنک حداقل می کند. به طورکلی، EDA مسئله اختلاف دامنه ها را با پیچیدگی زمانی درجه سه حل می کند. روش پیشنهاد شده بر روی تنوعی از پایگاه داده های شناخته شده بصری ارزیابی می شود و کارایی آن با دیگر روش های به روز تطبیق دامنه ها مقایسه می شود. میانگین دقت EDA بر روی 32 آزمایش 33/68% به دست آمده که نسبت به دیگر روش های به روز تطبیق دامنه، با بهبود 28/4% عملکرد بهتری دارد.