Доменная адаптация в пространстве онтологически обоснованных концептов для кросс-доменной классификации изображений биологических объектов
(Стр. 95-106)
Подробнее об авторах
Гусак Егор Владимирович
аспирант
Волгоградский государственный аграрный университет
г. Волгоград, Российская Федерация Рогачев Алексей Фруминович доктор технических наук, профессор, член-корреспондент Российской академии естественных наук, академик Международной академии авторов научных открытий и изобретений (Россия); профессор, кафедра прикладной математики и основ научных исследований; Волгоградский государственный аграрный университет; г. Волгоград, Российская Федерация
Волгоградский государственный аграрный университет
г. Волгоград, Российская Федерация Рогачев Алексей Фруминович доктор технических наук, профессор, член-корреспондент Российской академии естественных наук, академик Международной академии авторов научных открытий и изобретений (Россия); профессор, кафедра прикладной математики и основ научных исследований; Волгоградский государственный аграрный университет; г. Волгоград, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Рассматривается задача повышения эффективности обработки информации при доменном сдвиге между обучающим и эксплуатационным распределением входных данных – характерное ограничение методов классификации изображений в составе систем поддержки принятия решений. Предложен метод доменной адаптации, в котором согласование распределений источникового и целевого доменов выполняется не на признаках экстрактора (размерностью 2048), а в концептуальном пространстве меньшей размерности. Метод реализован для двух семейств моделей: CBM (скалярные концепты, размерность 28 – снижение в ~73 раза по сравнению с признаками экстрактора) и CEM (концептуальные вложения, размерность 896 – снижение в ~2,3 раза). Экспериментальная оценка проведена на трех корпусах изображений листьев растений (PlantVillage, PlantDoc, PlantWild) в четырех кросс-доменных направлениях. Прирост эффективности относительно базовой модели – ~10 процентных пунктов во всех направлениях с доменным разрывом. Перенос согласования с признаков на концепты дает дополнительно 5,2–7,5 п. п. в CEM и 1,1–7,6 п. п. в CBM по сравнению с согласованием на признаках. Установлено, что концептуальное представление без доменной адаптации не повышает эффективность переноса; источник прироста – именно согласование распределений в концептуальном пространстве. Статистическая значимость подтверждена тестами Уилкоксона и Мак-Немара на уровне p < 0,01.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Гусак Е.В., Рогачев А.Ф. Доменная адаптация в пространстве онтологически обоснованных концептов для кросс-доменной классификации изображений биологических объектов // Computational Nanotechnology. 2026. Т. 13. № 2. С. 95-106. DOI: 10.33693/2313-223X-2026-13-2-95-106. EDN: ZHFAIC
Список литературы:
Гусак Е.В., Рогачев А.Ф. Использование технологий искусственного интеллекта в сельском хозяйстве: европейский опыт и применение в России // Перспективы науки. 2025. № 1 (184). С. 14–17. EDN: ZCNLUM.
Ben-David S., Blitzer J., Crammer K. et al. A theory of learning from different domains // Machine Learning. 2010. Vol. 79. No. 1. Pp. 151–175. DOI: 10.1007/s10994-009-5152-4.
Espinosa Zarlenga M., Lehtinen J., Kaski S., Aho T. Concept embedding models: Beyond the accuracy-explainability trade-off // Advances in Neural Information Processing Systems (NeurIPS). 2022. Pp. 21400–21413. Also available as arXiv preprint. DOI: 10.48550/arXiv.2209.09056.
Ganin Y., Ustinova E., Ajakan H. et al. Domain-adversarial training of neural networks // Journal of Machine Learning Research. 2016. Vol. 17. No. 59. Pp. 1–35. Also available as arXiv preprint. DOI: 10.48550/arXiv.1505.07818.
Hognon C., Conze P.-H., Bourbonne V. et al. Contrastive image adaptation for acquisition shift reduction in medical imaging // Artificial Intelligence in Medicine. 2024. Vol. 148. Art. 102747. DOI: 10.1016/j.artmed.2023.102747.
Hughes D.P., Salathé M. An open access repository of images on plant health to enable the development of mobile disease diagnostics // arXiv. 2015. DOI: 10.48550/arXiv.1511.08060.
Ji W., Chung A.C.S. Unsupervised domain adaptation for medical image segmentation using transformer with meta attention // IEEE Transactions on Medical Imaging. 2024. Vol. 43. No. 2. Pp. 820–831. DOI: 10.1109/tmi.2023.3322581.
Koh P.W., Nguyen T., Tang Y.S. et al. Concept bottleneck models // Proceedings of the 37th International Conference on Machine Learning (ICML). Cambridge, MA: PMLR, 2020. Pp. 5338–5348. PMLR. Also available as arXiv preprint. DOI: 10.48550/arXiv.2007.04612.
Li Y., Ouyang S., Zhang Y. Combining deep learning and ontology reasoning for remote sensing image semantic segmentation // Knowledge-Based Systems. 2022. Vol. 243. Art. 108469. DOI: 10.1016/j.knosys.2022.108469.
Oikarinen T., Lehtinen J., Kaski S. Label-free concept bottleneck models // arXiv preprint. 2023. DOI: 10.48550/arXiv.2304.06129.
Singh D., Jain N., Jain P. et al. PlantDoc: A dataset for visual plant disease detection // Proceedings of the 7th ACM IKDD CoDS and 25th COMAD. 2020. Pp. 249–253. DOI: 10.1145/3371158.3371196.
Wei T., Chen Z., Huang Z. et al. Benchmarking in-the-wild multimodal plant disease recognition and a versatile baseline // Proceedings of the 32nd ACM International Conference on Multimedia (MM’24). 2024. Pp. 1–10. Also available as arXiv preprint. DOI: 10.48550/arXiv.2408.03120.
Wu X., Fan X., Luo P. et al. From laboratory to field: Unsupervised domain adaptation for plant disease recognition in the wild // Plant Phenomics. 2023. Vol. 5. Article 0038. DOI: 10.34133/plantphenomics.0038.
Xu X., Hu Y., Tang H. et al. Concept-based unsupervised domain adaptation // Proceedings of the 42nd International Conference on Machine Learning (ICML 2025). 2025. Т. 267. Pp. 69240–69261. Also available as arXiv preprint. DOI: 10.48550/arXiv.2505.05195.
Zhang Y., Liu T., Long M. et al. Bridging theory and algorithm for domain adaptation // Proceedings of the 36th International Conference on Machine Learning (ICML). 2019. Pp. 7404–7413. Also available as arXiv preprint. DOI: 10.48550/arXiv.1904.05801.
Ben-David S., Blitzer J., Crammer K. et al. A theory of learning from different domains // Machine Learning. 2010. Vol. 79. No. 1. Pp. 151–175. DOI: 10.1007/s10994-009-5152-4.
Espinosa Zarlenga M., Lehtinen J., Kaski S., Aho T. Concept embedding models: Beyond the accuracy-explainability trade-off // Advances in Neural Information Processing Systems (NeurIPS). 2022. Pp. 21400–21413. Also available as arXiv preprint. DOI: 10.48550/arXiv.2209.09056.
Ganin Y., Ustinova E., Ajakan H. et al. Domain-adversarial training of neural networks // Journal of Machine Learning Research. 2016. Vol. 17. No. 59. Pp. 1–35. Also available as arXiv preprint. DOI: 10.48550/arXiv.1505.07818.
Hognon C., Conze P.-H., Bourbonne V. et al. Contrastive image adaptation for acquisition shift reduction in medical imaging // Artificial Intelligence in Medicine. 2024. Vol. 148. Art. 102747. DOI: 10.1016/j.artmed.2023.102747.
Hughes D.P., Salathé M. An open access repository of images on plant health to enable the development of mobile disease diagnostics // arXiv. 2015. DOI: 10.48550/arXiv.1511.08060.
Ji W., Chung A.C.S. Unsupervised domain adaptation for medical image segmentation using transformer with meta attention // IEEE Transactions on Medical Imaging. 2024. Vol. 43. No. 2. Pp. 820–831. DOI: 10.1109/tmi.2023.3322581.
Koh P.W., Nguyen T., Tang Y.S. et al. Concept bottleneck models // Proceedings of the 37th International Conference on Machine Learning (ICML). Cambridge, MA: PMLR, 2020. Pp. 5338–5348. PMLR. Also available as arXiv preprint. DOI: 10.48550/arXiv.2007.04612.
Li Y., Ouyang S., Zhang Y. Combining deep learning and ontology reasoning for remote sensing image semantic segmentation // Knowledge-Based Systems. 2022. Vol. 243. Art. 108469. DOI: 10.1016/j.knosys.2022.108469.
Oikarinen T., Lehtinen J., Kaski S. Label-free concept bottleneck models // arXiv preprint. 2023. DOI: 10.48550/arXiv.2304.06129.
Singh D., Jain N., Jain P. et al. PlantDoc: A dataset for visual plant disease detection // Proceedings of the 7th ACM IKDD CoDS and 25th COMAD. 2020. Pp. 249–253. DOI: 10.1145/3371158.3371196.
Wei T., Chen Z., Huang Z. et al. Benchmarking in-the-wild multimodal plant disease recognition and a versatile baseline // Proceedings of the 32nd ACM International Conference on Multimedia (MM’24). 2024. Pp. 1–10. Also available as arXiv preprint. DOI: 10.48550/arXiv.2408.03120.
Wu X., Fan X., Luo P. et al. From laboratory to field: Unsupervised domain adaptation for plant disease recognition in the wild // Plant Phenomics. 2023. Vol. 5. Article 0038. DOI: 10.34133/plantphenomics.0038.
Xu X., Hu Y., Tang H. et al. Concept-based unsupervised domain adaptation // Proceedings of the 42nd International Conference on Machine Learning (ICML 2025). 2025. Т. 267. Pp. 69240–69261. Also available as arXiv preprint. DOI: 10.48550/arXiv.2505.05195.
Zhang Y., Liu T., Long M. et al. Bridging theory and algorithm for domain adaptation // Proceedings of the 36th International Conference on Machine Learning (ICML). 2019. Pp. 7404–7413. Also available as arXiv preprint. DOI: 10.48550/arXiv.1904.05801.
Ключевые слова:
обработка информации, доменная адаптация, концептуальные модели, узкое место, онтология, классификация изображений.
