فهرست نشریات علمی دسترسی آزاد ایران

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 رتبه-پایین 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 رتبه-پایین 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 33/68% به‌دست‌آمده که نسبت به دیگر روش‌های به‌روز تطبیق دامنه، با بهبود 28/4% عملکرد بهتری دارد.