کاهش بعد با نظارت مبتنی بر یادگیری هسته های ترکیبی برای شناسایی اشیاء

از آنجایی که مسائل بینایی ماشین مانند شناسایی اشیاء، شناسایی چهره، و غیره، از تصاویر به عنوان ورودی استفاده می کنند، این مسائل معمولاً دارای بعد ورودی بالا ورودی هستند، که این امر می تواند مشکلاتی مانند معضل بعد را نتیجه دهد؛ بدین معنا که سیستم برای رسیدن به کارایی مناسب نیاز به تعداد داده رشد یابنده با بعد فضای ورودی خواهد داشت. مشکل دیگر این است که به دلیل بعد ورودی بالا محاسبات به کندی انجام می¬شود. روش های کاهش بعد راه حلی برای رفع این مشکلات محسوب می¬شوند. این روش¬ها با کوچک کردن طول بردار ویژگی، کارایی را بهبود داده و محاسبات مراحل بَعدی را کاهش می¬دهند. همچنین این روش ها با ایجاد یک تبدیل از فضای ورودی به فضایی که در آن فاصله دسته¬های متفاوت بیشتر شود، می توانند به میزان قابل توجهی باعث افزایش دقت دسته¬بندی شوند. در این تحقیق از روش کاهش بعد تحلیل تمایز هسته با پارامتر بهینه برای کاربرد شناسایی اسکناس¬های ایرانی استفاده شده است، که توانسته است نسبت به روش های مشابه دقت بالاتری را به دست آورد. بعلاوه تأثیر نوع و پارامتر توابع هسته به کمک روش¬های تجربی مورد بررسی قرار گرفته است. در این تحقیق دو روش کاهش بعد چند هسته¬ای جدید معرفی شده است، و نشان داده شده است که کارایی آن¬ها در مقایسه با روش های مرتبط جدید دیگر روی مسایل شناسایی اشیاء و تعدادی مسئله استاندارد شناسایی الگو بهتر بوده است. روش کاهش بعد چند هسته¬ای با فرم بسته ارائه شده در این پایان¬نامه یک رویکرد چند هسته¬ای برای حل مسائل کاهش بعد است. این روش بر پایه روش کاهش بعد چند هسته¬ای بنا شده است و سعی می کند مشکلات آن را مرتفع سازد. روش کاهش بعد دیگر معرفی شده در این پژوهش مبتنی بر یادگیری چند هسته¬ای دو مرحله¬ای است، که سعی در پیدا کردن تابع هسته مناسب در یک مرحله و دسته¬بندی در مرحله دیگر دارد. روش پیشنهادی نیز به کمک معیارهای جدید سعی در پیدا کردن تابع هسته مناسب به کمک ترکیب خطی چند تابع هسته در مرحله اول و سپس انجام کاهش بعد در مرحله بَعدی دارد. آزمایش¬های مختلف بر روی مجموعه داده¬های مختلف اعم از مجموعه داده¬های شناسایی اشیاء eth-80 و pascal، مجموعه داده¬های ارقام دست¬نویس لاتین مانند usps و mnist، مجموعه داده¬های مخزن uci، و مجموعه تصاویر اسکناس¬های ایرانی نشان دهنده دقت دسته¬بندی بالای روش های پیشنهادی است.