پردازش تصویر با استفاده از کدگذاری تنک و طبقه‌بندی انطباقی

به‌دلیل افزایش حجم تصاویر تولیدشده توسط دوربین‌ها و دستگاه‌های مختلف، پردازش تصویر در بسیاری از کاربردها ازجمله پزشکی، امنیتی و رانندگی اهمیت و جایگاه بالایی یافته است. بااین‌حال بیشتر مدل‌های ایجادشده در حوزه پردازش تصویر کارایی چندانی نداشته و میزان خطای آن‌ها در برخی کاربردها تاثیرگذار است. علت اصلی ناکامی بیشتر مدل‌های ساخته‌شده، اختلاف توزیع بین داده‌های آموزشی (دامنه منبع) و داده‌های تست (دامنه هدف) می‌باشد. درواقع، مدل ساخته‌شده، قابلیت تعمیم‌دهی به داده‌هایی با خصوصیات و توزیع‌های متفاوت از داده‌های آموزشی را ندارد، به‌همین دلیل در مواجهه با داده‌های جدید دچار اُفت شدیدی می‌شود. در این مقاله ما یک روش جدید با نام کدگذاری تنک و طبقه‌بندی انطباقی (sada) پیشنهاد می‌دهیم که یک مدل پردازش تصویری ایجاد می‌کند که در مقابل تغییرات داده‌ای مقاوم می‌باشد. مدل پیشنهادی با ایجاد یک زیر فضای مشترک بین دامنه‌های منبع و هدف اختلاف توزیع آن‌ها را به حداقل رسانده و موجب بهبود کارایی می‌شود. همچنین sada با انتخاب نمونه‌هایی از دامنه منبع که با دامنه هدف مرتبط می‌باشند اختلاف توزیع بین دامنه‌ها را کاهش می‌دهد. علاوه‌بر آن، sada با تطبیق پارامترهای مدل ایجادشده، یک مدل تطبیق‌پذیر برای مواجهه با شیفت داده‌ها ایجاد می‌کند. نتایج به‌دست‌آمده از آزمایش‌های متنوع، نشان می‌دهد که روش پیشنهادی ما، برتری قابل‌ملاحظه‌ای نسبت به تمام روش‌های تطبیق دامنه جدید دارد.

Image Processing via Sparse Coding and Adaptive Classification

Due to the growing increase of generated images via cameras and various instruments, image processing has found an important role in most of practical usages including medical, security and driving. However, most of the available models has no considerable performance and in some usages the amount of error is very effective. The main cause of this failure in most of available models is the distribution mismatch across the source and target domains. In fact, the made model has no generalization to test data with different properties and distribution compared to the source data, and its performance degrades dramatically to face with new data. In this paper, we propose a novel approach entitled Sparse coding and ADAptive classification (SADA) which is robust against data drift across domains. The proposed model reduces the distribution difference across domains via generating a common subspace between the source and target domains and increases the performance of model. Also, SADA reduces the distribution mismatch across domains via the selection of the source samples which are related to target samples. Moreover, SADA adapts the model parameters to build an adaptive model to encounter with data drift. Our variety of experiments demonstrate that the proposed approach outperforms all statoftheart domain adaptation methods.