با توجه به اصل ناهار رایگان و تنوع ساختاری پایگاه داده های تصویری، هیچ طبقه بندی به طور یکنواخت بهترین عملکرد را بر روی همه ی مسائل ارائه نمی دهد؛ ازاین رو، انتخاب مدل مناسب نیازمند بهره گیری از رویکردهای فرایادگیری است تا بتوان بر اساس شناخت ویژگی های داده، رفتار طبقه بندها را پیش بینی و مدل مطلوب را توصیه کرد. تاکنون روش های فرایادگیری مختلفی برای پایگاه داده های جدولی ارائه شده است. اما برای پایگاه داده های تصویری و داده های سری زمانی به دلیل مشکلات و تفاوت های موجود در پایگاه داده ها کارهای کمتری انجام شده است. در پایگاه داده های تصویری به دلیل بعد بالا از شبکه های عصبی عمیق برای کاهش بعد استفاده میشود. این حالت تفسیرپذیری را کم میکند. بر این اساس در این پژوهش، یک روش فرایادگیری مبتنی بر فراویژگی ها برای پایگاه داده های تصویری ارائه شده است که در آن ابتدا مجموعه ای از ویژگی ها به منظور توصیف جنبه های مختلف پایگاه داده گردآوری شده و این ویژگی ها با رویکرد عملکردمحور دسته بندی شده اند تا امکان انتخاب هدفمند و کارآمد ویژگی ها بر اساس نوع مسئله و روش استخراج فراهم گردد. در بخش پایانی پژوهش، از این ویژگی ها برای توصیف پایگاه داده های تصویری استفاده شده است. نتایج حاصل از تحلیل مجموعه ای از پایگاه داده های تصویری و انتخاب طبقه بند مناسب برای هر یک ارائه شده است. این بررسی ها نشان داد که با شناخت دقیق ویژگی های داده می توان اجزای کلیدی مسئله را بهتر شناسایی کرده و مسیر حل مناسب را ترسیم نمود. با استفاده از ویژگی های انتخاب شده در این پژوهش و 56 پایگاه داده ی تصویری، نتایج به دست آمده مورد ارزیابی قرار گرفت و دقت انتخاب طبقه بند برای پایگاه داده های تست %15/86 بوده است. همچنین تأثیر ویژگی ها به طور جداگانه مورد بررسی قرار گرفت و نتایج این تحلیل نشان داد که برخی ویژگی ها، به ویژه آن هایی که به توزیع و پراکندگی داده ها از نظر تعداد نمونه ها اشاره دارند، تأثیر بیشتری بر دقت طبقه بندی نسبت به سایر ویژگی هایی که بر معیارهایی مانند فاصله متکی هستند، دارند. بر همین اساس، ماتریس توصیف گر فضای توزیع برای هر پایگاه داده در نظر گرفته شد و ویژگی هایی با این رویکرد از آن استخراج گردید. نتایج آزمایش ها نشان داد که سه ویژگی از ویژگی های استخراج شده، همبستگی بالای 7/0 با دقت طبقه بندها دارند. از این ویژگی ها برای انتخاب طبقه بند نیز استفاده شد و با استفاده از 5 ویژگی، دقت %56/86 به دست آمده است که در مقایسه با 5 ویژگی برتر انتخاب شده توسط روش انتخاب همبستگی، %1 افزایش دقت داشته است. علاوه بر این، نتایج بررسی ها نشان داد که استفاده از یادگیری انتقالی برای استخراج ویژگی از تصاویر، نسبت به استفاده از مدل های از پیش آموزش دیده، عملکرد بهتری دارد و برای کاهش ابعاد نیز ضروری است که انتخاب ابعاد بر اساس نوع داده ها انجام شود و نه این که یک انتخاب ثابت برای تمامی داده ها اعمال گردد. افزون بر این، استفاده از ویژگی های بررسی شده در این پژوهش نسبت به ویژگی های ارائه شده برای داده های برداری، موجب افزایش دقت کار به میزان %2 گردیده است. در مجموع، این روش فرایادگیری محور نشان می دهد که با توصیف دقیق پایگاه داده در فضای فراویژگی ها می توان رفتار مدل ها را در سطح فراداده آموخت و فرآیند انتخاب طبقه بند را به یک مسئله ی فرایادگیری تبدیل کرد که دقت، تفسیرپذیری و کارایی تصمیم گیری را در مسائل تصویری به طور قابل توجهی افزایش می دهد. با توجه به نقش کلیدی استخراج و انتخاب ویژگی در مسئله فرایادگیری، این مراحل با هدف طبقه بندی و انتخاب تنظیمات مناسب بر روی سه پایگاه داده مورد بررسی قرار گرفتند. نتایج این آزمایش ها اهمیت این مراحل و همچنین لزوم انتخاب روش ها و تنظیمات متناسب با هر پایگاه داده را به خوبی نشان داد.