The Parameter-Less Self-Organizing Map algorithm
University of Queensland(昆士兰大学)
无参数自组织映射(PLSOM)是在自组织映射(SOM)的基础上发展起来的一种新的神经网络算法。它消除了对学习率和用于学习率和邻域大小的退火方案的需要。我们讨论了PLSOM和SOM的相对性能,并演示了一些任务中,SOM失败,但PLSOM表现令人满意。最后,我们讨论了PLSOM的一些应用实例,并在一定的限制条件下给出了有序性的证明。
2007-05-08 cs.AI cs.CV cs.NE
HybridSOMSpikeNet: A Deep Model with Differentiable Soft Self-Organizing Maps and Spiking Dynamics for Waste Classification
Department of Mathematics, Indian Institute of Technology Kharagpur(数学系,印度理工学院Kharagpur)
提出HybridSOMSpikeNet混合深度学习模型,融合ResNet-152、可微软自组织映射和脉冲神经网络,在十类垃圾数据集上达到97.39%准确率,实现高效节能的智能垃圾分类。
2025-10-23 cs.CV
CUDA-Self-Organizing feature map based visual sentiment analysis of bank customer complaints for Analytical CRM
Center of Excellence in Analytics, Institute for Development and Research in Banking Technology(银行技术发展与研究所分析卓越中心);Indian Institute of Technology (Indian School of Mines), Dhanbad(丹巴德印度理工学院(印度矿业学院))
随着社交媒体的广泛使用,公司现在可以获得丰富的客户反馈数据,这些数据对客户关系管理(CRM)具有重要的应用价值。分析客户的不满数据,是至关重要的,因为他们的快速非redressal会导致客户流失,导致较低的盈利能力.在本文中,我们提出了一个描述性的分析框架,使用自组织特征映射(SOM),客户投诉的视觉情感分析。该网络自动学习投诉的固有分组,然后可以使用各种技术进行可视化。分析型客户关系管理(ACRM)的管理人员可以从地图中获得有用的业务见解,并及时采取补救措施。我们还提出了一个高性能版本的算法CUDASOM(基于CUDA的自组织特征映射),使用NVIDIA并行计算平台,CUDA,它加快了高维文本数据的处理,并生成快速的结果。所提出的模型的有效性已被证明的客户投诉数据的产品和服务的四个领先的印度银行。CUDASOM的平均速度提高了44倍。我们的方法可以扩展到智能申诉救济系统的研究,为投诉客户提供快速的解决方案。
2019-05-23 cs.CV cs.NE
Improving Self-Organizing Maps with Unsupervised Feature Extraction
Université Côte d’Azur, CNRS, LEAT(蔚蓝海岸大学、法国国家科学研究中心、电子天线与电信实验室)
自组织映射(SOM)是一种受大脑启发的神经模型,在无监督学习,特别是在嵌入式应用中非常有前途。然而,在处理复杂数据集时,它无法学习有效的原型。在这项工作中,我们建议使用提取的功能,而不是原始数据,以提高SOM的性能。我们使用两种不同的方法对SOM分类精度进行了比较研究:使用基于梯度学习的稀疏卷积自动编码器的机器学习方法,以及使用Spike Timing Dependant Plasticity学习的脉冲神经网络的神经科学方法。SOM在提取的特征上进行训练,然后使用很少的标记样本来标记具有相应类别的神经元。我们研究的影响的特征地图,SOM的大小和标记的子集的大小上的分类精度使用不同的特征提取方法。我们将SOM分类提高了+6.09\%,并在无监督图像分类方面达到了最先进的性能。
2020-09-04 cs.CV cs.NE
Detection of small changes in medical and random-dot images comparing self-organizing map performance to human detection
University of Strasbourg(斯特拉斯堡大学);CNRS(法国国家科学研究中心);Dedan Kimathi University of Technology(德丹·基马蒂理工大学)
放射科医生使用医学图像的时间序列来监测患者状况的进展。他们比较从图像序列中收集的信息,以了解病变的进展或缓解,从而评估患者病情的进展或对治疗的反应。确定一系列图像与另一系列图像之间的差异的视觉方法可能是主观的,或者无法检测到非常小的差异。我们建议使用的量化误差从自组织映射图像内容分析。我们用MRI图像测试了这项技术,我们逐步添加合成病变。我们已经使用了一个全球性的方法,认为整个图像上的变化,而不是在分割病变区域的变化。我们声称,这种方法不会受到分割的限制,这可能会损害结果。结果表明,量化误差随着图像上病变的增加而增加。结果也与以前使用替代方法的研究一致。然后,我们比较了我们的方法的检测能力,人类新手观察者必须检测非常小的随机点图像的局部差异。SOM输出的量化误差与正确的阳性率相比,减去假阳性率(猜测率)后,显着增加,并始终与小的增加,在当地的点的大小是不可检测的人类。我们的结论是,我们的方法检测非常小的变化,在复杂的图像,并建议它可以实现,以协助人类操作员在基于图像的决策。
2019-06-26 cs.CV
Pattern Analysis with Layered Self-Organizing Maps
本文定义了一种新的学习体系结构,分层自组织映射(LSOMs),使用SOM和监督SOM学习算法。该体系结构与MNIST数据库的手写数字图像进行了验证。LSOM在采样数据的方式上与卷积神经网络(covnets)相似,但在表示特征和学习的方式上有所不同。LSOM分析(或生成)图像块与SOM学习算法确定的样本的地图,而不是通过反向传播学习的滤波器组的特征地图。LSOM为从covnet导出的特征提供了一种替代方案。多层LSOM是自下而上训练的,不使用反向传播,因此可能是视觉皮层的模型。结果显示,组织在多个层次。该算法在学习、分类和生成图像方面具有资源效率。虽然LSOM可以用于分类,他们的验证精度为这些探索性的运行远低于最先进的。本文的目标是定义的架构和显示的结构,从它的应用程序的MNIST图像。
2018-03-28 cs.CV cs.LG stat.ML
The quantization error in a Self-Organizing Map as a contrast and colour specific indicator of single-pixel change in large random patterns
Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心);University of Strasbourg(斯特拉斯堡大学);Dedan Kimathi University of Technology(德丹·基马蒂科技大学)
具有无监督赢家通吃学习的固定大小自组织映射(SOM)中的量化误差先前已成功地用于在最短的计算时间内检测医学时间序列和卫星图像时间序列中图像之间的高度有意义的变化。在这里,进一步探讨SOM中的量化误差的功能特性,以表明该度量能够可靠地区分局部对比度强度和对比度符号中的最细微差异。虽然QE的这种能力类似于灵长类动物和猫视觉系统中特定类别的视网膜神经节细胞(所谓的Y细胞)的功能特征,但QE的灵敏度超过了人类视觉检测的能力极限。这里,发现SOM中的量化误差在对比度信息从图像中去除或添加到图像时可靠地用信号通知对比度或颜色的变化,但在对比度信息的量和相对权重恒定并且仅图案中的对比度元素的局部空间位置变化时不可靠。虽然RGB平均值可以很好地反映颜色或对比度的粗糙变化,但SOM-QE在检测高达500万像素的图像中的单像素变化时表现优于RGB平均值。这可能在无监督图像学习和计算构建块方法的背景下对大量图像数据(大数据)具有重要意义,包括深度学习块,以及透射或扫描电子显微镜(TEM,SEM)中纳米级对比度变化的自动检测,或多光谱和高光谱成像数据中的子像素级。
2020-11-08 cs.CV
Rectifying Self Organizing Maps for Automatic Concept Learning from Web Images
Bilkent University(比尔肯大学)
我们攻击的问题,学习概念自动从嘈杂的网络图像搜索结果。超越低级别属性,如颜色和纹理,我们探索弱标记数据集,用于学习更高级别的概念,如场景类别。这个想法是基于发现图像子集之间共享的共同特征,提出了一种方法,能够组织数据,同时消除不相关的实例。我们提出了一种新的聚类和离群点检测方法,即纠正自组织映射(RSOM)。给定为概念查询返回的图像集合,RSOM提供从离群值修剪的聚类。每个集群用于训练表示概念的不同特征的模型。所提出的方法优于国家的最先进的研究任务的学习低层次的概念,它是有竞争力的学习更高层次的概念。它能够在没有监督的情况下通过利用可用资源大规模工作。
2013-12-16 cs.CV cs.LG cs.NE
GPU-based Self-Organizing Maps for Post-Labeled Few-Shot Unsupervised Learning
Université Côte d’Azur(蔚蓝海岸大学);CNRS(法国国家科学研究中心);LEAT(电子、天线与电信实验室);IMT Atlantique(大西洋高等矿业电信学校)
Few-Shot分类是机器学习中的一个挑战,其目标是使用非常有限数量的标记示例训练分类器。这种情况在现实生活中可能经常发生,例如当数据采集或标记昂贵时。在这项工作中,我们考虑的问题后标记的Few-Shot无监督学习,表示学习在一个无监督的方式分类任务,后来标记使用很少的注释的例子。我们认为,这个问题很可能发生在边缘,当嵌入式设备直接获取数据时,执行标记所需的专家不能经常得到提示。为了解决这个问题,我们考虑了一个算法,包括串联的迁移学习与聚类使用自组织映射(SOM)。我们引入了一个基于TensorFlow的实现,以加快多核CPU和GPU中的进程。最后,我们使用标准的现成的Few-Shot分类基准证明了该方法的有效性。
2020-09-04 cs.CV cs.NE
Knowledge-Guided Textual Reasoning for Explainable Video Anomaly Detection via LLMs
Hari Lee
针对弱监督视频异常检测,提出TbVAD框架,通过视觉语言模型生成细粒度字幕并构建含动作等四语义槽的结构化知识,借助大语言模型推理实现文本域内异常检测与解释,在UCF-Crime和XD-Violence上验证有效性。
2025-10-30 cs.AI cs.CV
Designing fuzzy rule based classifier using self-organizing feature map for analysis of multispectral satellite images
Indian Statistical Institute(印度统计研究所);Institute for Development and Research in Banking Technology(银行技术发展与研究所)
我们提出了一种新的方案,设计模糊规则为基础的分类器。一个基于SOFM的方法用于生成一组原型,用于生成一组模糊规则。每个规则代表特征空间中的一个区域,我们称之为规则的上下文。这些规则根据它们的上下文进行了调优。我们证明,推理方案可能是不同的,在不同的情况下,导致上下文敏感的推理。为了实现上下文敏感的推理,我们使用了一个可调参数的softmin运算符。在多个多光谱卫星图像数据集上进行了测试,发现该方法的性能比文献报道的结果要好得多。
2009-11-23 cs.CV cs.NE
SO-Net: Self-Organizing Network for Point Cloud Analysis
National University of Singapore(新加坡国立大学)
本文提出了SO-Net,这是一种用于深度学习的无序点云置换不变架构。SO-Net通过建立自组织映射(SOM)来模拟点云的空间分布。SO-Net在SOM的基础上,对单个点和SOM节点进行分层特征提取,最终用单个特征向量表示输入点云。网络的感受野可以通过进行点到节点的k近邻搜索来系统地调整。在点云重建、分类、对象部分分割和形状检索等识别任务中,我们提出的网络表现出与最先进的方法相似或更好的性能。此外,由于所提出的架构的并行性和简单性,训练速度明显快于现有的点云识别网络。我们的代码可以在项目网站上找到。https://github.com/lijx10/SO-Net
2018-03-27 cs.CV
Dendritic Self-Organizing Maps for Continual Learning
Technical University of Crete(克里特理工大学);Foundation for Research and Technology-Hellas(研究与科技基金会-赫尔拉斯)
当前的深度学习架构在大规模受控数据集中训练时表现出卓越的性能。然而,这些架构的预测能力显着下降时,学习新的类增量。这是由于他们倾向于忘记从以前看到的数据中获得的知识,这种现象称为灾难性遗忘。另一方面,自组织映射(SOM)可以利用约束k-means对输入空间进行建模,从而保持过去的知识。在这里,我们提出了一种新的算法的灵感来自生物神经元,称为树突状自组织映射(DendSOM)。DendSOM由单层SOM组成,它从输入空间的特定区域提取模式,并伴随着一组命中矩阵,每个SOM一个,估计单元和标签之间的关联。该算法利用最大余弦相似性准则选择输入模式的最佳匹配单元,同时利用逐点互信息进行类推理。DendSOM执行无监督的特征提取,因为它不使用标签来有针对性地更新权重。它在基准数据集上的性能优于经典SOM和几种最先进的持续学习算法,如Split-MNIST和Split-CIFAR-10。我们认为,在自组织记忆中加入神经元特性可能有助于补救灾难性遗忘。
2021-10-18 cs.CV cs.LG cs.NE
Attention Map-guided Two-stage Anomaly Detection using Hard Augmentation
Sogang University(西江大学)
异常检测是识别输入样本是否包括在目标正常类或异常类的分布中的任务。传统的基于生成对抗网络(GAN)的方法利用包括前景和背景的整个图像作为输入。然而,在这些方法中,与正常类无关的无用区域(例如,不相关的背景)被学习为正态类分布,从而导致错误检测。为了缓解这个问题,本文提出了一种新的两阶段网络,包括一个注意力网络和异常检测GAN(AD GAN)。注意力网络生成可以指示表示正态类分布的区域的注意力图。为了生成准确的注意力地图,我们提出了基于硬增强生成的合成异常样本的注意力损失和对抗性异常损失。通过将注意力图应用于图像特征图,ADGAN学习从中去除无用区域的正态类分布,并且可以大大降低异常检测任务的问题难度。此外,估计的注意力图可以用于异常分割,因为它可以区分正常和异常区域。因此,所提出的方法优于国家的最先进的异常检测和异常分割方法广泛使用的数据集。
2021-03-31 cs.CV
Simple Self Organizing Map with Vision Transformers
Siebel School of Computing & Data Sciences at the University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机与数据科学学院);Safari AI Inc.(Safari AI公司)
本文提出将视觉变换器与自组织映射结合,以提升小数据集上的性能,通过相互赋能实现无监督和监督任务的性能提升。
2026-02-18 cs.AI cs.CV cs.LG
Incremental Multimodal Surface Mapping via Self-Organizing Gaussian Mixture Models
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对现有基于GMM的增量建图方法实时性不足、不适配高保真场景的问题,提出结合空间哈希映射快速提取GMM子图与点云数据筛选的方法,计算速度提升一个数量级,在地图精度与尺寸间实现更优权衡,且已开源。
2023-10-26 cs.CV cs.RO
Self-Supervised Clustering on Image-Subtracted Data with Deep-Embedded Self-Organizing Map
Monash University(莫纳什大学);OzGrav: The ARC Centre of Excellence for Gravitational Wave Discovery(OzGrav:ARC引力波发现卓越中心);University of Warwick(华威大学);Institute for Globally Distributed Open Research and Education (IGDORE)(全球分布式开放研究与教育研究所(IGDORE));University of Sheffield(谢菲尔德大学)
开发一个有效的自动分类器,以区分真正的来源,从文物是必不可少的瞬态后续宽场光学调查。在这种分类器中,从图像差分处理后的减影伪影中识别瞬态检测是关键步骤,称为真假分类问题。我们应用自监督机器学习模型,深度嵌入式自组织映射(DESOM),这个“真假”分类问题。DESOM结合了一个自动编码器和一个自组织映射来执行聚类,以区分真实和虚假的检测,基于它们的降维表示。我们使用32x32归一化检测缩略图作为DESOM的输入。我们展示了不同的模型训练方法,并发现我们最好的DESOM分类器显示了6.6%的漏检率和1.5%的假阳性率。DESOM提供了一种更细致的方式来微调决策边界,当与其他类型的分类器结合使用时,识别可能的真实检测,例如建立在神经网络或决策树上。我们还讨论了DESOM的其他潜在用途及其局限性。
2022-09-14 astro-ph.IM cs.CV
SuSi: Supervised Self-Organizing Maps for Regression and Classification in Python
Institute of Photogrammetry and Remote Sensing, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院摄影测量与遥感研究所)
在许多研究领域,现有数据集的大小差异很大。因此,需要非常适合这些不同数据集的机器学习技术。一种可能的技术是自组织映射(SOM),一种人工神经网络,到目前为止,在机器学习领域表现较弱。SOM的独特之处在于输出神经元之间的邻域关系。这种关系提高了小数据集的泛化能力。SOM主要应用于无监督学习,很少有研究将SOM作为监督学习方法。此外,对于机器学习标准和广泛使用的程序设计语言Python,没有合适的SOM包可用。在本文中,我们介绍了免费提供的监督自组织映射(SuSi)Python包,它可以执行监督回归和分类。SuSi的实现相对于底层数学描述。然后,我们提出了第一次评估的SOM的回归和分类数据集从两个不同领域的地理空间图像分析。尽管处于开发的早期阶段,但SuSi框架表现良好,其特点是训练和测试数据集之间只有很小的性能差异。SuSi框架与现有Python和R包的比较表明了SuSi框架的重要性。在今后的工作中,将对SuSi框架进行扩展、优化和升级,例如使用工具,以更好地理解和可视化输入数据以及处理缺失和不完整的数据。
2020-01-08 cs.CV cs.LG stat.ML
KohonAnts: A Self-Organizing Ant Algorithm for Clustering and Pattern Classification
University of Lisbon(里斯本大学);University of Granada(格拉纳达大学)
在本文中,我们介绍了一种新的基于蚂蚁的方法,利用蚁群系统的合作自组织创建一个自然启发聚类和模式识别方法。该方法将每个数据项视为一只蚂蚁,它在网格内移动,改变它所经过的单元格,类似于Kohonen的自组织地图。由此产生的算法是概念上更简单,需要更少的自由参数比其他蚂蚁为基础的聚类算法,并经过一些参数调整,在一些基准问题产生非常好的结果。
2008-03-18 cs.CV cs.NE
Spike Timing Dependent Competitive Learning in Recurrent Self Organizing Pulsed Neural Networks Case Study: Phoneme and Word Recognition
National Engineering School of Tunis(突尼斯国立工程学院);Université Tunis El Manar(突尼斯艾尔马纳尔大学)
突触可塑性似乎是神经网络动力学的一个重要方面。它是关于突触的生理变化,其结果类似于突触权重值的变化。信息编码基于单个尖峰事件的精确定时,其基于突触前和突触后尖峰的相对定时、单个神经元内的局部突触竞争以及经由横向连接的全局竞争。为了对时间序列进行分类,本文提出了如何使用局部赫布学习,尖峰时间依赖可塑性的无监督竞争学习,保持自组织映射的尖峰神经元。事实上,我们提出了三种变体的自组织映射(SOM)与尖峰时间依赖的Hebbian学习规则,泄漏积分神经元(LIN),尖峰_SOM和经常性尖峰_SOM(RSSOM)模型。所提出的SOM变体的案例研究是连续语音和说话人独立的音素分类和单词识别。
2012-09-24 cs.AI cs.CV q-bio.NC
TabSOM: A tabular-to-image encoding method based on self-organizing maps
Rey Juan Carlos University (URJC)(雷胡安·卡洛斯大学);Universidad Francisco de Vitoria(弗朗西斯科·德·维多利亚大学);University of Castilla-La Mancha(卡斯蒂利亚-拉曼恰大学);Yachay Tech University(亚奇理工大学)
研究针对现有表格转图像方法丢失特征关系的问题,提出基于自组织映射的TabSOM方法,其在二分类数据集基准测试中表现优异且可解释性良好,缩小了表格数据深度学习的性能与可解释性差距。
2026-08-14 cs.CV cs.LG
Self-Organizing Edge Computing Distribution Framework for Visual SLAM
Tampere university(坦佩雷大学)
针对资源受限移动机器人运行SLAM的算力瓶颈及传统客户端-服务器边缘辅助方案的故障敏感问题,提出一种三层结构、设备无关、抗网络故障的自组织分布式边缘辅助SLAM框架,基于单目ORB SLAM3验证其在协同执行下精度与资源利用率与单体方案相当。
2025-01-15 cs.CV cs.DC cs.RO