Akademik Veri Yönetim Sistemi
2019 27th Signal Processing and Communications Applications Conference (SIU), Sivas, Türkiye, 24 - 26 Nisan 2019, ss.1-4
Alan uyarlama yöntemleri eğitme ve test verilerinin ilişkili fakat farklı olan dağılımlardan örneklendiği durumlara odaklanır. Birçok alan uyarlama yöntemi kaynak ve hedef alanları bir dönüşüm veya izdüşüm öğrenerek yeni bir ortak alanda hizalamayı amaçlar. Bu çalışmada kaynak ve hedef alanlardaki veriler doğrusal olmayan ve parametrik olmayan bir dönüşüm ile ortak bir uzaya gönderilmiş, aynı zamanda ortak uzayda bir sınıflandırıcı öğrenilmiştir. Görüntü kümeleri üzerinde yapılan deneyler, doğrusal olmayan dönüşümler kullanan önerilen yöntemin doğrusal dönüşümlere dayalı referans yöntemlerden daha yüksek performans sağladığını göstermektedir.
Domain adaptation algorithms focus on a setting where the training and test data are sampled from related but different distributions. Various domain adaptation methods aim to align the source and target domains in a new common domain by learning a transformation or projection. In this work, we learn a nonlinear and nonparametric projection of the source and target domains into a common domain along with a linear classifier in the new domain. Experiments on image data sets show that the proposed nonlinear approach outperforms baseline domain adaptation methods based on linear transformations.