آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,539 |
| تعداد مقالات | 18,777 |
| تعداد مشاهده مقاله | 62,774,639 |
| تعداد دریافت فایل اصل مقاله | 22,710,214 |
طبقه بندی تصویر مبتنی بر یادگیری انتقالی متخاصم بدون ناظر و حفظ فاصله ی بین کلاسی و درون کلاسی نمونه ها | ||
| پردازش سیگنال پیشرفته | ||
| دوره 6، شماره 2 - شماره پیاپی 9، مهر 1404، صفحه 253-261 اصل مقاله (972.25 K) | ||
| 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 | ||
| مراجع | ||
|
[1] V. Esmaeili, M. Mohassel Feghhi, and S. O. Shahdi, "Applying Partial Differential Equations on Cubic Uniform Local Binary Pattern to Reveal Micro-Changes," Journal of Electrical and Computer Engineering Innovations (JECEI), vol. 12, no. 1, pp. 259-270, 2024, doi: 10.22061/jecei.2023.9600.639. [2] M. Ghaderzadeh, M. Aria, and F. Asadi, "X-Ray Equipped with Artificial Intelligence: Changing the COVID-19 Diagnostic Paradigm during the Pandemic," BioMed Research International, vol. 2021, p. 9942873, 2021/08/26 2021, doi: 10.1155/2021/9942873. [3] V. Esmaeili, M. Mohassel Feghhi, and S. O. Shahdi, "Spotting micro-movements in image sequence by introducing intelligent cubic-LBP," IET Image Processing, vol. 16, no. 14, pp. 3814-3830, 2022, doi: https://doi.org/10.1049/ipr2.12596. [4] V. Esmaeili, M. Mohassel Feghhi, and S. O. Shahdi, "A comprehensive survey on facial micro-expression: approaches and databases," Multimedia Tools and Applications, vol. 81, no. 28, pp. 40089-40134, 2022/11/01 2022, doi: 10.1007/s11042-022-13133-2. [5] A. N. Hassan, M. Mohassel Feghhi, and V. Esmaeili, "A Fast Automatic Modulation Classification Based on STFT Using Hybrid Deep Neural Network," Journal of Communication Engineering, vol. 10, no. 2, pp. -, 2021, doi: 10.22070/jce.2023.17933.1250. [6] V. Esmaeili and M. Mohassel Feghhi, "Real-time Authentication for Electronic Service Applicants using a Method Based on Two-Stream 3D Deep Learning," Soft Computing Journal, pp. -, 2023, doi: 10.22052/scj.2023.246701.1086. [7] A. Farhad et al., "Artificial intelligence in estimating fractional flow reserve: a systematic literature review of techniques," BMC Cardiovascular Disorders, vol. 23, no. 1, p. 407, 2023/08/18 2023, doi: 10.1186/s12872-023-03447-w. [8] M. Ghaderzadeh, M. Aria, A. Hosseini, F. Asadi, D. Bashash, and H. Abolghasemi, "A fast and efficient CNN model for B-ALL diagnosis and its subtypes classification using peripheral blood smear images," International Journal of Intelligent Systems, vol. 37, no. 8, pp. 5113-5133, 2022, doi: https://doi.org/10.1002/int.22753. | ||
|
آمار تعداد مشاهده مقاله: 719 تعداد دریافت فایل اصل مقاله: 79 |
||