آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,493 |
| تعداد مقالات | 18,210 |
| تعداد مشاهده مقاله | 58,933,697 |
| تعداد دریافت فایل اصل مقاله | 20,392,793 |
طبقه بندی تصویر مبتنی بر یادگیری انتقالی متخاصم بدون ناظر و حفظ فاصله ی بین کلاسی و درون کلاسی نمونه ها | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 02 اردیبهشت 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2024.59731.1241 | ||
| نویسندگان | ||
| ریام سرحان1؛ محمدعلی بالافر* 2؛ محمد رضا فیضی درخشی1؛ امین گلزاری اسکویی3 | ||
| 1دانشگاه تبریز | ||
| 2دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز | ||
| 3دانشگاه ایستینیه | ||
| چکیده | ||
| در سالهای اخیر در کاربردهای بینایی ماشین بهطور فزایندهای از تکنیکهای یادگیری عمیق استفاده میشود. اما در برخی از کاربردها، به دلیل دادههای ناکافی، مدل بهدرستی آموزش داده نمیشود که منجر به کاهش تعمیمپذیری میشود. بهطوریکه وقتی یک مدل یادگیری عمیق بر روی یک مجموعهداده آموزش داده میشود و روی مجموعهداده مشابه دیگری آزمایش میشود، این مدل نتایج تقریباً تصادفی را پیشبینی میکند. در این مقاله با هدف برطرف کردن این مشکل، از یادگیری انتقالی متخاصم بدون ناظر چندمنبعی برای افزایش تعمیمپذیری مدل بر روی مجموعهدادههای مختلف (مبدأ و مقصد) استفاده میشود. در تکنیک پیشنهادی، شبکه وادار میشود بهجای یادگیری ویژگیهای مختص یک دامنه خاص، ویژگیهای مشترک بین مجموعهدادههای مختلف (مبدأ و مقصد) را یاد بگیرد. همچنین از یک تابع خطای جدید مبتنی بر حفظ فاصلهی بین کلاسی و درون کلاسی استفاده میشود. با استفاده از تابع خطای پیشنهادی، شبکه بازنماییهای مشابه برای نمونههای متعلق به یک کلاس و بازنماییهای غیرمشابه برای نمونههای متعلق به کلاسهای مختلف را بهطور مؤثرتر یاد میگیرد. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با چهار مجموعهدادهی MNIST، MNIST-M، SVHN، و USPS انجامگرفته و با نتایج سایر الگوریتمهای موفق مقایسه میشود. دقت روش پیشنهادی به ازای مجموعهدادههای MNIST، MNIST-M، SVHN، و USPS به ترتیب 99.5، 98.8، 98.5 و 98.2 درصد است. | ||
| کلیدواژهها | ||
| طبقهبندی تصویر؛ یادگیری انتقالی؛ تطبیق دامنه متخاصم چندمنبعی؛ یادگیری عمیق | ||
|
آمار تعداد مشاهده مقاله: 595 |
||