تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه چکیده کامل
تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزش، افزایش یابد. در حیطه تطبیق دامنه مسائل به دو بخشِ با نظارت و بدون نظارت تقسیم بندی می شود. در این پژوهش دامنه های بدون نظارت مورد بررسی قرارمیگیرد. یکی از چالشها در تطبیق دامنه که به آن کمتر توجه شده است، عدم توجه به زیرفضا دامنه (فشردگی درون کلاسی) و همچنین تاثیر مخرب دادههای نویزی و خارج از محدوه است، که موجب انتقال منفی و در نهایت موجب کاهش دقت طبقهبندی میشود. در این مقاله با استفاده از شبکه تخاصمی مولد جهت استخراج ویژگیها با درنظرگرفتن فشردگی درون-کلاسی دامنهها بر مبنای تخمین اولیه برچسبها با کمک الگوریتم خوشهبندی فازی c-means در گام اول و در گام دوم با کمک شبکههای عصبی پیچشی و متریک WMMD جهت طبقهبندی تصاویر با خطای کمتر ارائه شده است. ارزیابی و نتایج به دست آمده در 5 مجموعه داده محک استاندارد و مقایسه آن با روشهای پیشین نشان دهنده عملکرد بهتر نسبت به رهیافتهای مشابه میباشد.
پرونده مقاله