پردازش تصویر بین‌دامنه‌ای با استفاده از تحلیل تفکیک خطی فیشر و واگرایی برگمن

پردازش تصویر روشی برای اعمال برخی عملیات‌ها برروی تصویر، برای به‌دست‌آوردن تصاویری با کیفیت بالاتر یا استخراج برخی اطلاعات مفید می‌باشد. الگوریتم‌های سنتی پردازش تصویر در شرایطی‌که تصاویر آموزشی (دامنه منبع) که برای یاددهی مدل استفاده می‌شوند توزیع متفاوتی از تصاویر آزمایشی (دامنه هدف) داشته، نمی‌توانند عملکرد خوبی داشته. درواقع، وجود اختلاف توزیع شرطی بین دامنه‌های منبع و هدف، بازدهی مدل را کاهش می‌دهد. تطبیق دامنه و یادگیری انتقالی راه‌حل‌های امیدبخشی هستند که هدف آن‌ها تعمیم‌دادن یک مدل یادگیری بین داده‌های آموزشی و تست با توزیع‌های متفاوت است. در این مقاله، مسئله پردازش تصویر بین‌دامنه‌ای بدون‌نظارت مورد توجه قرار گرفته است که هیچ برچسبی برای داده‌های تست در دسترس نمی‌باشد. درواقع، روش پیشنهادی دامنه‌های منبع و هدف را به یک زیرفضای کم‌بعد مشترک براساس flda به‌صورت بدون‌نظارت منتقل می‌کند. روش پیشنهادی ما، اختلاف احتمال توزیع شرطی در داده‌های منبع و هدف را ازطریق واگرایی برگمن حداقل می‌کند. یک ماتریس نگاشت به‌دست می‌آید که داده‌های منبع و هدف را به یک زیرفضای مشترک انتقال می‌دهد که در آن فضا ماتریس پراکندگی بین‌کلاسی حداکثر شده و ماتریس پراکندگی درون‌کلاسی و توزیع‌های بین‌دامنه‌ای حداقل می‌شود. آزمایشات متنوع برروی 58 عملیات طبقه‌بندی بین‌دامنه‌ای برروی شش پایگاه‌داده همگانی نشان می‌دهد که روش پیشنهادی ما بهتر از روش‌های پردازش تصویر جدید ارائه‌شده در حوزه بین‌دامنه‌ای عمل می‌کند.

Cross Domains Image Processing via Fisher Linear Discriminative Analysis and Bregman Divergence

Image processing is a method to perform some operations on an image, in order to get an enhanced image or to extract some useful information from it. The conventional image processing algorithms cannot perform well in scenarios where the training images (source domain) that are used to learn the model have a different distribution with test images (target domain). In fact,the existence of conditional distribution difference across the source and target domains degrades the performance of model. Domain adaptation and transfer learning are promising solutions that aim to generalize a learning model across training and test data with different distributions. In this paper, we address the problem of unsupervised cross domain image processing in which no labels are available in test images. In fact, the proposed method transfers the source and target domains into a shared low dimensional FLDAbased subspace in an unsupervised manner. Our proposed method minimizes the conditional probability distribution difference of the source and target data via Bregman divergence. We provide a projection matrix to map the source and target data into a common subspace on which the between class scatter matrix is maximized and within class scatter matrix and cross domain distributions are minimized. Extensive experiments on 58 crossdomain image classification tasks over six public datasets reveal that our proposed method outperforms the stateoftheart cross domain image processing approaches.