ارائه یک روش یادگیری خود - نظارتی عمیق مبتنی بر تبدیل موجک گسسته دو بعدی برای تعمیم دامنه تصاویر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی، دانشگاه شهید باهنر کرمان

2 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان

3 دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان

چکیده

 در یادگیری ماشین، انتقال و تعمیم دانش یادگرفته شده از یک دامنه به دامنه­ های دیگر، یکی از قابلیت­ های مهم و اساسی به شمار می­ رود. از آن­جا که یادگیری با نظارت هرگز نمی­ تواند کامل باشد، استفاده از روش­ های دیگری همچون روش ­های یادگیری خود - نظارتی می­ تواند برای مسأله­ ی تعمیم دامنه بسیار کمک کننده باشد. در این مقاله، ما روشی را ارائه می ­دهیم که علاوه بر طبقه بندی تصاویر اصلی به منظور یادگیری برچسب­ های داده در فرایند با نظارت، سعی می­ کند که تصاویر حاصل از اعمال تبدیل موجک گسسته بر روی تصاویر اصلی را با تولید شبه برچسب­ هایی برای آنها طبقه بندی کند. این کار به عنوان یک وظیفه ­ی خود - نظارتی می­ تواند باعث یادگیری ویژگی­ های مفید و یک بازنمایش کلی در میان تصاویر دامنه­ های مختلف شود، که می­ تواند به بهبود مسأله ­ی تعمیم دامنه بسیار کمک کند. در ادامه با ترکیب روش­ های خود - نظارتی مانند پازل jigsaw و حدس زاویه چرخش با تبدیل موجک گسسته، نشان می­ دهیم که این ترکیب می تواند باعث بهبود نتایج برای مسأله­ ی تعمیم دامنه شود. در این مقاله، ما از مجموعه داده­ های معروف PACS، VLCS و Office-Home برای انجام آزمایش­ ها استفاده کردیم و نتایج نشان می­ دهند که روش پیشنهادی ما می­تواند از روش­ های پیشرفته و به روز تعمیم دامنه بهتر عمل کند.

کلیدواژه‌ها

مجله بینایی ماشین و پردازش تصویر
دوره 9، شماره 1
فروردین 1401
صفحه 65-76

فایل ها

هم رسانی

ارجاع به این مقاله

آمار