حداقل‌سازی خطای بازسازی تصاویر از طریق تطبیق توزیع و محدودیت رتبه پایین

هدف از تطبیق دامنه تصویری، یادگیری مدل‌های مقاوم برای داده‌های آزمایشی، با استفاده از انتقال دانش از داده‌های آموزشی است، درحالی‌که مجموعه‌های آموزشی و آزمایشی دارای توزیع‌های متفاوتی هستند. روش‌های موجود تلاش می‌کنند تا مسئله تغییر دامنه‌ها را با استفاده از تطبیق دامنه‌ها یا اعمال محدودیت‌های رتبه پایین حل نمایند. در این مقاله، ما یک روش دو مرحله‌ای غیرنظارت شده با عنوان حداقل‌سازی خطای بازسازی تصاویر از طریق تطبیق توزیع و محدودیت رتبه پایین پیشنهاد می‌دهیم که از هر دو روش تطبیق توزیع‌ها و محدودیت‌های رتبهپایین برای فائق آمدن به اختلاف توزیع دامنه‌ها استفاده می‌کند. در مرحله اول، روش پیشنهادی ما داده‌های آموزشی و آزمایشی را به یک زیرفضای مشترک نگاشت می‌کند تا اختلاف توزیع حاشیه‌ای و شرطی دامنه‌ها حداقل شود. علاوه بر آن، eda از خوشه‌بندی مستقل از دامنه برای تفکیک بین کلاس‌های مختلف بهره می‌برد. در مرحله دوم، برای حفظ ساختار داده در زیرفضای مشترک، eda خطای بازسازی داده‌ها را با استفاده از محدودیت‌های رتبهپایین و تنک حداقل می‌کند. به‌طورکلی، eda مسئله اختلاف دامنه‌ها را با پیچیدگی زمانی درجه سه حل می‌کند. روش پیشنهاد شده بر روی تنوعی از پایگاه داده‌های شناخته شده بصری ارزیابی می‌شود و کارایی آن با دیگر روش‌های به‌روز تطبیق دامنه‌ها مقایسه می‌شود. میانگین دقت eda بر روی 32 آزمایش 68.33% به‌دست‌آمده که نسبت به دیگر روش‌های به‌روز تطبیق دامنه، با بهبود 4.28% عملکرد بهتری دارد.

Image Reconstruction Error Minimization via Distribution Adaptation and Low Rank Constraint

Visual domain adaptation aims to learn robust models for the test data by knowledge transferring from a training data where the training and test sets are from different distributions. Existing approaches attempt to solve domain shift problem with either adaptation across domains or performing lowrank constraints. In this paper, we propose a twophases unsupervised approach referred as image reconstruction Error minimization via Distribution Adaptation and lowrank constraint (EDA), which benefits from both the distribution adaptation and the lowrank constraints to tackle distribution mismatch across domains. In the first phase, our proposed approach projects the training and test data onto a common subspace in which the marginal and conditional distribution differences of domains are minimized. Moreover, EDA benefits from domain invariant clustering to discriminate between various classes of data. In the second phase, for preserving data structure in the shared subspace, EDA minimizes the data reconstruction error using lowrank and sparse constraints. Overall, EDA solves the domain mismatch problem in cubic time complexity. The proposed approach is evaluated on variety of visual benchmark datasets and its performance is compared with the other stateoftheart domain adaptation methods. The average accuracy of EDA on 32 experiments is determined 68.33% where outperforms other stateoftheart domain adaptation methods with 4.28% improvement.