Transfer robust sparse coding based on graph and joint distribution adaption for image representation

انتقال یادگیری می تواند دانش را از یک دامنه منبع به یک دامنه هدف انتقال دهد، که عملکرد مدل یاد گرفته از داده های منبع را ارتقا می دهد. برنامه نویسی انعطاف پذیر می تواند نمایشی از یک مدل را مختصر و آسان تر به کار گیرد. انتقال های موجود در روش های رمزنگاری ضعیف فرض می کنند که داده ها از منبع و دامنه های هدف دقیق هستند، که می تواند اطلاعات مفیدی را ارائه دهد. با این حال، در بسیاری از برنامه های واقعی، داده های موجود در حوزه های منبع و هدف ممکن است حاوی اطلاعات سر و صدا و بی فایده باشد که می تواند عملکرد مدل آماری را به شدت کاهش دهد. در این مقاله، ما پیشنهاد می کنیم که یک رمزگذاری ضعیف قوی بر اساس تطبیق توزیع گراف و توزیع برای نمایش تصویر ارائه دهیم. مدل ماتریس سر و صدا برای اداره سر و صدا و اطلاعات بی فایده در برنامه نویسی انتقال ضعیف استفاده می شود. علاوه بر این، تفاوت های توزیع حاشیه ای و توزیع مشروط به طور همزمان در انتقال کدگذاری نرمال قوی کاهش می یابد. آزمایش های گسترده در شش مجموعه داده های معیار نشان می دهد که روش پیشنهادی می تواند به طور موثر با سر و صدا و اطلاعات بی فایده مقابله کند و از این رو، چندین روش پیشرفته انتقال انتقال در دامنه های توزیع توزیع را بهتر می کند.