Öğrenme aktarımı ile sınıflandırma

Sadece birkaç örnekten bir nesne kategorisinin öğrenilmesi genellikle doğru sınıflandırma için yeterli değildir. İyi bir şekilde genelleştiren ve yeterli başarı oranına sahip bir sınıflandırıcı elde etmek için birçok eğitim örneğine ihtiyaç vardır. Bununla birlikte, Yeraltı Radarı (GPR) ile hedef tespiti dahil olmak üzere birçok uygulamada, yeterli sayıda etiketlenmiş veri toplanması her zaman mümkün değildir. GPR verisi toplamada, oluşan görüntüler dielektrik geçirgenlik ve manyetik geçirgenlik gibi toprak özelliklerine doğrusal olmayan bir bağımlılık göstermektedir. Bu nedenle, bir toprak tipi için (kuru kum gibi) iyi bir sınıflandırıcıyı eğitmek için yeterli eğitim verisi mevcut olsa bile, Bu sınıflandırıcının başarısı, toprak tipi değiştiğinde (örn. ıslak kum) yeterince iyi olmayabilir. Bu çalışmada, GPR kullanarak farklı ortamlarda gömülü piknik tüpü tespit etmek için çok modelli bilgi aktarımı (BA) önerilmiştir. Önerilen yöntemde, ölçekten bağımsız öznitelik dönüşümü (SIFT) yöntemi ile GPR verilerinden öznitelikler hesaplanmıştır. Daha sonra, en küçük kare destek vektör makinesi (LS-SVM) sınıflandırıcıları, bol miktarda verinin mevcut olduğu üç toprak tipi (kuru kum, kuru kumtaşı ve ıslak kumtaşı) için eğitilmiştir. Daha sonra, adaptif LS-SVM, sadece az miktarda eğitim verisinin olduğu ıslak kumdaki hedef piknik tüpünü tespit eden bir sınıflandırıcıyı eğitmek için kullanılmıştır. Sonuç olarak, (i) birden fazla kaynaktan (yani birden çok toprak türünden) bilgi aktarımının, tek kaynaktan aktarımdan daha iyi sonuçlar ürettiği; ve (ii) hedef sınıftan sadece 3 eğitim verisi ile, tespit oranlarının tek kaynaktan BA ile % 25, çok kaynaktan BA ile de % 32 arttığı gösterilmiştir.