این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۹، شماره ۱، صفحات ۶۵-۷۶
عنوان فارسی ارائه یک روش یادگیری خود - نظارتی عمیق مبتنی بر تبدیل موجک گسسته دو بعدی برای تعمیم دامنه تصاویر
چکیده فارسی مقاله  در یادگیری ماشین، انتقال و تعمیم دانش یادگرفته شده از یک دامنه به دامنه­ های دیگر، یکی از قابلیت­ های مهم و اساسی به شمار می­ رود. از آن­جا که یادگیری با نظارت هرگز نمی­ تواند کامل باشد، استفاده از روش­ های دیگری همچون روش ­های یادگیری خود - نظارتی می­ تواند برای مسأله­ ی تعمیم دامنه بسیار کمک کننده باشد. در این مقاله، ما روشی را ارائه می ­دهیم که علاوه بر طبقه بندی تصاویر اصلی به منظور یادگیری برچسب­ های داده در فرایند با نظارت، سعی می­ کند که تصاویر حاصل از اعمال تبدیل موجک گسسته بر روی تصاویر اصلی را با تولید شبه برچسب­ هایی برای آنها طبقه بندی کند. این کار به عنوان یک وظیفه ­ی خود - نظارتی می­ تواند باعث یادگیری ویژگی­ های مفید و یک بازنمایش کلی در میان تصاویر دامنه­ های مختلف شود، که می­ تواند به بهبود مسأله ­ی تعمیم دامنه بسیار کمک کند. در ادامه با ترکیب روش­ های خود - نظارتی مانند پازل jigsaw و حدس زاویه چرخش با تبدیل موجک گسسته، نشان می­ دهیم که این ترکیب می تواند باعث بهبود نتایج برای مسأله­ ی تعمیم دامنه شود. در این مقاله، ما از مجموعه داده­ های معروف PACS، VLCS و Office-Home برای انجام آزمایش­ ها استفاده کردیم و نتایج نشان می­ دهند که روش پیشنهادی ما می­تواند از روش­ های پیشرفته و به روز تعمیم دامنه بهتر عمل کند.
کلیدواژه‌های فارسی مقاله تطبیق دامنه، تعمیم دامنه، دامنه منبع، دامنه هدف، یادگیری - خودنظارتی، تبدیل موجک،
عنوان انگلیسی Proposing a deep self – supervised learning method based on two dimensional discrete wavelet transform for image domain generalization
چکیده انگلیسی مقاله In machine learning, transferring and generalizing the knowledge learned from one domain to another is one of the important and basic capabilities. Since supervised learning is not complete, the use of other methods, such as self-supervised learning methods, can be very helpful in domain generalization. In this paper, we present a method that, in addition to classify original images in order to learn data labels in a supervised process, attempts to classify images resulting from the application of discrete wavelet transform on the original images by generating pseudo-labels for them. This extra work as a self-supervision task can lead to learn useful features and a general image representation for images of different domains, which can greatly help to improve the problem of domain generalization. In the following, by combining self-supervised methods such as jigsaw puzzles and guessing the rotation angle with discrete wavelet transform, we show that this combination can improve the results for the domain generalization problem. In this paper, we used the well-known PACS, VLCS and office-Home datasets to perform experiments, and the results show that our proposed method can work better than advanced and state-of-the-art domain generalization methods.
کلیدواژه‌های انگلیسی مقاله تطبیق دامنه, تعمیم دامنه, دامنه منبع, دامنه هدف, یادگیری - خودنظارتی, تبدیل موجک
نویسندگان مقاله سارا فرهمندی نیا |
دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی، دانشگاه شهید باهنر کرمان

مهدی افتخاری |
گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان

کاوه بهرامن |
دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه شهید باهنر کرمان

نشانی اینترنتی https://jmvip.sinaweb.net/article_138405_e4c5117be58fffd5f5d7f4769c09faef.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات