هم‌ترازی تصویر از طریق یادگیری خصوصیت کرنل‌شده

در بسیاری از الگوریتم ‌های یادگیری ماشین، فرض اولیه بر این اساس است که مجموعه‌داده آموزشی (دامنه منبع) و مجموعه‌داده آزمون (دامنه هدف) توزیع یکسانی را به اشتراک می گذارند. این در حالی است که در اغلب مسائل دنیای واقعی، به‌دلیل اختلاف توزیع احتمال بین دامنه منبع و هدف، این فرض نقض می شود. برای مقابله با این مشکل، یادگیری انتقالی و تطبیق دامنه، مدل را برای مقابله با داده‌ های هدف دارای توزیع متفاوت، تعمیم می‌ دهند. در این مقاله ما یک روش تطبیق دامنه با عنوان هم‌ ترازی تصویر از طریق یادگیری خصوصیت کرنل‌شده (imake) را به‌منظور حفظ اطلاعات عمومی و هندسی دامنه ‌های منبع و هدف پیشنهاد می ‌دهیم. روش پیشنهادی یک زیرفضای مشترک بین دامنه‌ های منبع و هدف جستجو می‌کند تا اختلاف توزیع آنها را به کمینه برساند. imake از هر دو تطبیق توزیع هندسی و عمومی به‌صورت هم‌ زمان بهره می‌ برد. روش پیشنهادی دامنه‌ های منبع و هدف را به یک زیرفضای کم بعد مشترک به‌صورت بدون نظارت منتقل می کند تا اختلاف احتمال توزیع شرطی و حاشیه‌ ای داده ‌های دامنه منبع و هدف را از طریق بیشینه اختلاف میانگین‌ها کمینه کند و برای تطبیق توزیع هندسی از هم‌ ترازی منیفلد بهره می‌ گیرد. کارایی روش پیشنهادی با استفاده از پایگاه داده ‌های بصری متنوع و استاندارد با 36 آزمایش مورد ارزیابی قرار گرفته است. نتایج به‌دست‌ آمده، نشان دهنده بهبود قابل ملاحظه از عملکرد روش پیشنهادی در مقایسه با جدیدترین روش‌های حوزه یادگیری ماشین و یادگیری انتقالی است.

image alignment via kernelized feature learning

machine learning is an application of artificial intelligence that is able to automatically learn and improve from experience without being explicitly programmed. the primary assumption for most of the machine learning algorithms is that the training set (source domain) and the test set (target domain) follow from the same probability distribution. however, in most of the real-world applications, this assumption is violated since the probability distribution of the source and target domains are different. this issue is known as domain shift. therefore, transfer learning and domain adaptation generalize the model to face target data with different distribution.in this paper, we propose a domain adaptation method referred to as image alignment via kernelized feature learning (imake) in order to preserve the general and geometric information of the source and target domains. imake finds a common subspace across domains to reduce the distribution discrepancy between the source and the target domains. imake adapts both the geometric and the general distributions, simultaneously. moreover, imake transfers the source and target domains into a shared low dimensional subspace in an unsupervised manner.our proposed method minimizes the marginal and conditional probability distribution differences of the source and target data via maximum mean discrepancy and manifold alignment for geometrical distribution adaptation. imake maps the input data into a common latent subspace via manifold alignment as a geometric matching method. therefore, the samples with the same class labels are collected around their means, and samples with different class are separated, as well. moreover, imake maintains the source and target domain manifolds to preserve the original data position and domain structure. also, the use of kernels and mapping data into hilbert space provides more accurate separation between different classes and is suitable for data with complex and unbalanced structures. the proposed method has been evaluated using a variety of benchmark visual databases with 36 experiments. the results indicate the significant improvements of the proposed method performance against other machine learning and transfer learning approaches.