@article { author = {Noori Saray, Shiva and Tahmoresnezhad, Jafar}, title = {Kernelized Domain Adaptation and Balanced Distribution Alignment for Image Classification}, journal = {Journal of Soft Computing and Information Technology}, volume = {9}, number = {2}, pages = {48-60}, year = {2020}, publisher = {Babol Noshirvani University of Technology}, issn = {2383-1006}, eissn = {2588-4913}, doi = {}, abstract = {Transfer learning and domain adaptation are effective solutions for performance improvement of image classifiers where the source domain (training set) and target domain (test set) have substantial probability distribution differences. In fact, collecting input data in various conditions (such as lighting or temperature), different equipment with variable characteristics (such as number of input ports or resolution quality) and different views (such as dimensions or environment) results domain shift problem. Semi-supervised domain adaptation is a leading solution for domain shift problem, where the source domain and a small part of target domain are labeled. In this paper, we propose KErnelized Domain Adaptation and balanced distributions alignment (KEDA) to adapt the source and target domains in a semi-supervised manner. KEDA preserves the topology of domains via creating a Laplacian matrix and similarity and dissimilarity views. Moreover, KEDA adapts the regularized conditional and marginal distributions across domains. Ultimately, the sum of these solutions leads to a good classification function for labeling the unlabeled images. The proposed method is compared with the state-of-the-art methods of domain adaptation on Office-Caltech-10, Digits, Pie, and Coil datasets where results show considerable performance improvement of our proposed method.}, keywords = {Image classification,Manifold matching,Balanced distribution adaptation,Transfer learning,Knowledge transfer}, title_fa = {انطباق دامنه کرنلی و تطبیق توزیع متعادل برای طبقه‌بندی تصاویر}, abstract_fa = {یادگیری انتقالی و انطباق دامنه از جمله راه حل‌های موثر در بهبود عملکرد طبقه‌بند‌های تصویر هستند که در آن دامنه منبع (مجموعه آموزشی) و دامنه هدف (مجموعه آزمایشی) از اختلاف توزیع احتمال قابل توجهی برخوردارند. در واقع، نظر به اینکه جمع‌آوری داده های ورودی در شرایط مختلف (مانند وضعیت نور یا درجه حرارت)، تجهیزات مختلف با ویژگی های متغیر (مانند تعداد پورت‌های ورودی یا کیفیت رزولوشن) و دیدگاه‌های مختلف (مانند ابعاد و محیط) انجام می‌شود، منجر به مسئله‌ی تغییر دامنه می‌شود. انطباق دامنه نیمه نظارت شده، راه حلی پیشتاز برای مسئله‌ی تغییر دامنه است که در آن، دامنه منبع و بخش کوچکی از دامنه هدف دارای برچسب هستند. در این مقاله انطباق دامنه کرنلی و تطبیق توزیع متعادل (KEDA) را برای انطباق دامنه‌های منبع و هدف، به صورت نیمه نظارتی پیشنهاد می‌کنیم. KEDA توپولوژی دامنه‌ها را از طریق ایجاد ماتریس لاپلاسی و از نقطه نظرهای شباهت‌ و تفاوت‌ حفظ می‌کند. علاوه بر این، KEDA توزیع شرطی و حاشیه‌ای بین دامنه‌ها را تطبیق می دهد. در نهایت، مجموع این راه حل‌ها، تابع طبقه‌بندی خوبی برای برچسب زدن تصاویر بدون برچسب نتیجه می‌دهد. روش پیشنهادی با روش‌های پیشرفته انطباق دامنه بر روی دیتاست‌های آفیس-کلتک-10 ، اعداد ، پای و کویل مقایسه شده است که نتایج، بهبود عملکرد قابل توجهی در روش پیشنهادی ما را نشان می‌دهد.}, keywords_fa = {کلاسه‌بندی تصاویر,انطباق دامنه,تطبیق هندسی,انطباق توزیع متعادل,یادگیری انتقالی,انتقال دانش}, url = {https://jscit.nit.ac.ir/article_95886.html}, eprint = {https://jscit.nit.ac.ir/article_95886_0780dc695080c477f483a813e266ee2a.pdf} }