تطبیق دامنه های متوالی پیوسته

در بیشتر روشهای تطبیق دامنه، یک دامنه منبع وجود دارد که برای تطبیق با تنها دامنهی هدف که توزیع مشخصی دارد، آموزش میبیند. اما در بسیاری از مسائل دنیای واقعی، توزیع دامنهی هدف بطور پیوسته و برخط در حال تغییر است و در نتیجه وزنهای آموزش دیده قادر نخواهند بود که برای مابقی دادهها به خوبی جواب دهند. در این مقاله یک روش تطبیق دامنههای متوالی پیوسته معرفی شده است که در آن تعدادی دامنهی هدف به صورت متوالی و پیوسته وارد میشوند. با ورود نمونههای هر یک از دامنههای هدف، آن دامنه با دامنه منبع تطبیق پیدا میکند. از آنجاییکه تغییرات دامنههای هدف پیوسته است، جهت حفظ پیوستگی توالیها، به تدریج نمونههای دامنه منبع، با افزودن قابل اطمینانترین داده-های دامنهی هدف جاری بروزرسانی میشوند تا آموزش شبکه برای دادههای دامنهی متوالی بعدی بهبود یابد. در این مقاله از دو مجموعه داده استفاده میشود که هر دو با ایجاد تغییرات تدریجی در مجموعه داده ارقام دستنویس mnist ایجاد شدهاند. 1) مجموعه داده mnist چرخش داده شده که با چرخش دادههای mnist در زوایای مختلف ایجاد شده است. 2) مجموعه داده mnist تغییر اندازه یافته که با تغییر ارتفاع تصاویر بدست میآید. نتایج بدست آمده نشان میدهد که روش پیشنهادی دقت طبقهبندی را نسبت به تعدادی از روشهای تطبیق دامنه موجود بهبود میبخشد.