Bean Split Ratio for Dry Bean Canning Quality and Variety Analysis
Michigan State University(密歇根州立大学);Sugarbeet and Bean Research Unit, USDA-ARS(美国农业部农业研究局甜菜与豆类研究室)
豆类罐头在制备和装罐过程中会出现裂缝。研究人员正在研究它们是如何受到烹饪环境和基因型的影响的。然而,没有现有的方法来自动量化或表征分裂的严重性。为了解决这个问题,我们提出了两个衡量标准:量化分裂总体严重程度的Bean Split Ratio(BSR)和表征分裂大小分布的Bean Split Histogram(BSH)。我们创建了一个逐像素的分割方法来自动估计这些措施的图像。我们还提出了一个数据集的重组自交系的两个基因型,使用BSR和BSH来评估罐头品质,并探讨这些特性的遗传力。
2019-05-01 cs.CV
A clustering approach to heterogeneous change detection
University of Tromsø(特罗姆瑟大学)
多时相遥感影像变化检测是遥感和对地观测领域的一个具有挑战性的研究课题。本文重点比较图像对覆盖同一地理区域,并获得两个不同的传感器,一个光学辐射计和一个合成孔径雷达,在两个不同的时间。我们提出了一种基于聚类的技术来检测变化,确定为集群分裂或合并在不同的图像。为了评估我们的方法的潜力和局限性,我们对真实数据进行了实验。初步结果证实了集群的分裂和合并与变化发生之间的关系。然而,很明显,它是必要的,以提高聚类结果的解释,并确定明确的变化领域之前,辅助,或应用程序特定的信息。
2017-02-10 cs.CV
Parameter-free entropy-regularized multi-view clustering with hierarchical feature selection
针对多视图聚类中参数调整和高维特征问题,提出无参数熵正则化框架AMVFCM-U和AAMVFCM-U,通过信噪比正则化和层次降维,在五个基准上优于15种方法,效率提升97%。
2025-08-07 cs.CV cs.LG math.ST
AutoNovel: Automatically Discovering and Learning Novel Visual Categories
University of Oxford(牛津大学)
我们解决的问题,发现新的类在图像集合中的其他类的标记的例子。我们提出了一种新的方法称为AutoNovel来解决这个问题,结合三个想法:(1)我们建议,使用标记数据的自举图像表示的常见方法只会引入不必要的偏差,这可以通过使用自监督学习来从零开始训练标记和未标记数据的联合表示来避免;(2)利用排序统计量将模型对标记类的知识转化为对未标记图像的聚类问题;以及(3)通过对数据的标记和未标记子集优化联合目标函数来训练数据表示,改进标记数据的监督分类和未标记数据的聚类。此外,我们提出了一种方法来估计类的数量的情况下,新的类别的数量是未知的先验。我们在标准分类基准上评估了AutoNovel,并大大优于目前的新类别发现方法。此外,我们还证明了AutoNovel可以用于完全无监督的图像聚类,取得了很好的效果。
2021-06-29 cs.CV
Automatically Discovering and Learning New Visual Categories with Ranking Statistics
University of Oxford(牛津大学)
我们解决的问题,发现新的类在图像集合中的其他类的标记的例子。这种设置类似于半监督学习,但明显更难,因为新类没有标记的示例。因此,挑战在于利用标记图像中包含的信息来学习通用聚类模型,并使用后者来识别未标记数据中的新类别。在这项工作中,我们解决这个问题,结合三个想法:(1)我们建议,使用标记数据的自举图像表示的常见方法只会引入不必要的偏见,这可以通过使用自监督学习来避免从零开始训练标记和未标记数据的联合表示;(2)利用秩统计量将模型对标记类的知识转化为对未标记图像的聚类问题;以及(3)通过对数据的标记和未标记子集优化联合目标函数来训练数据表示,改进标记数据的监督分类和未标记数据的聚类。我们评估我们的方法在标准分类基准,并优于目前的方法,新的类别发现的显着保证金。
2020-02-13 cs.CV
Split-Fuse-Transport: Annotation-Free Saliency via Dual Clustering and Optimal Transport Alignment
GIFT University(GIFT大学);La Trobe University(拉特罗布大学);CSIRO(澳大利亚联邦科学与工业研究组织)
本文提出 POTNet 与 AutoSOD,用熵引导双重聚类和 OT 对齐生成高质量伪掩码,实现端到端无监督 SOD,并在五个基准上显著超越无监督与弱监督方法。
2025-10-20 cs.CV
Simultaneous Subspace Clustering and Cluster Number Estimating based on Triplet Relationship
Nankai University(南开大学);Cardiff University(卡迪夫大学);Chinese Academy of Sciences(中国科学院)
在本文中,我们提出了一个统一的框架,同时发现集群的数量和分组的数据点到他们使用子空间聚类。分布在高维空间中的真实数据可以被分解为低维子空间的并集,这可以有益于各种应用。为了探索这种内在结构,最先进的子空间聚类方法通常优化所有样本之间的自表示问题,以构建用于谱聚类的成对亲和图。然而,具有成对相似性的图缺乏分割的鲁棒性,特别是对于位于两个子空间的交集上的样本。为了解决这个问题,我们设计了一个超相关的数据结构称为\textit{triplet relationship},它揭示了高相关性和局部紧密性之间的三个样本。三元组关系可以从自我表示矩阵中导出,并用于迭代地将数据点分配给聚类。每个三元组中的三个样本被鼓励是高度相关的,并被认为是在聚类过程中的元元素,这显示出比成对关系分割两个密集分布的子空间时更鲁棒。基于三元组关系,我们提出了一个统一的优化方案来自动计算聚类分配。具体来说,我们优化模型选择奖励和融合奖励,同时最大限度地提高来自不同集群的三胞胎的相似性,同时最小化来自同一集群的三胞胎的相关性。该算法还自动揭示了聚类和融合组的数量,以避免过度分割。在人工数据集和真实数据集上的大量实验结果验证了该方法的有效性和鲁棒性。
2019-01-23 cs.CV
An Explicit Local and Global Representation Disentanglement Framework with Applications in Deep Clustering and Unsupervised Object Detection
Vidyasirimedhi Institute of Science and Technology (VISTEC)(维迪亚西利梅迪科学技术学院);King Mongkut’s University of Technology Thonburi (KMUTT)(国王科技大学吞武里分校);Imperial College London(帝国理工学院)
视觉数据可以在不同的粒度级别上被理解,其中全局特征对应于语义级信息,局部特征对应于纹理模式。在这项工作中,我们提出了一个框架,称为SPLIT,它使我们能够解开本地和全球信息到两个单独的潜变量集内的变分自编码器(VAE)框架。我们的框架通过要求潜变量的子集来生成可观察数据的辅助集,从而将生成假设添加到VAE。这个额外的生成假设将潜在变量准备好局部信息,并鼓励其他潜在变量表示全局信息。我们研究了三种不同的口味的VAE与不同的生成假设。我们表明,该框架可以有效地解开这些模型中的局部和全局信息,从而改善表示,具有更好的聚类和无监督目标检测基准。最后,我们建立SPLIT和最近的研究在认知神经科学关于人类视觉感知的解开之间的联系。我们实验的代码在https://github.com/51616/split-vae。
2020-02-24 cs.CV cs.LG eess.IV
Hierarchical Manifold Clustering on Diffusion Maps for Connectomics (MIT 18.S096 final project)
在本文中,我们介绍了一种新的算法分割的不完美的边界概率图(BPM)的连通组。我们的算法可以被认为是谱聚类的一个扩展。而不是聚类的扩散映射与传统的聚类算法,我们学习的流形和计算的最小归一化切割的估计。我们要分而治之。我们还介绍了一种新的标准,用于确定是否进一步分裂是必要的,在一个组件的基础上,它的拓扑性质。我们的算法补充了目前流行的凝聚方法在连接,忽略了这个分割问题的几何方面。
2016-07-20 cs.CV
Self-adaption grey DBSCAN clustering
Nanjing University of Science and Technology(南京理工大学)
聚类分析是数据采掘中的一个经典问题,在各个研究领域都有着广泛的应用。提出一种自适应灰色DBSCAN聚类算法(SAG-DBSCAN)。首先利用灰色关联矩阵得到灰色局部密度指标,然后利用该指标进行自适应噪声辨识,得到聚类数据的稠密子集,最后利用自动选择参数的DBSCAN对稠密子集进行聚类。几个常用的数据集被用来证明所提出的聚类算法的性能和有效性,并与其他国家的最先进的算法的结果进行比较。综合比较表明,我们的方法比其他比较方法具有优势。
2019-12-24 cs.CV cs.DC cs.LG
An Automatic Clustering Technique for Optimal Clusters
Rayapati Venkata Ranga Rao and Jagarlamudi Chadramouli College of Engineering(拉亚帕蒂·文卡塔拉加·拉奥与贾加拉穆迪·查德拉穆利工程学院);Jawaharlal Nehru Technological University(贾瓦哈拉尔·尼赫鲁技术大学);Acharya Nagarjuna University(阿查里亚纳加尔朱纳大学)
提出了一种简单、自动、高效的聚类算法--最优聚类自动合并算法(AutomaticMergingforOptimalClusters,AMOC)。AMOC是标准k均值的扩展,具有结合某些验证技术的两阶段迭代过程,以便通过自动合并聚类来找到最佳聚类。在模拟数据和真实数据上的实验证明,该算法在聚类数、紧凑度和分离度方面都能找到接近最优的聚类结构。
2011-09-06 cs.CV
Hierarchical Clustering of Hyperspectral Images using Rank-Two Nonnegative Matrix Factorization
Université de Mons(蒙斯大学);Georgia Institute of Technology(佐治亚理工学院)
本文设计了一种高分辨率高光谱图像的层次聚类算法。在算法的核心,一个新的秩2非负矩阵分解(NMF)算法被用来分裂的集群,这是由凸几何概念的动机。该方法从包含所有像素的单个聚类开始,并且在每个步骤中,(i)以使得下一步骤中的误差最小化的方式选择聚类,以及(ii)以使得聚类很好地平衡和稳定的方式使用秩二NMF将所选择的聚类分成两个不相交的聚类。所提出的方法也可以作为一个端元提取算法中存在的纯像素。这种方法的有效性说明了几个合成和现实世界的高光谱图像,并表现出优于标准的聚类技术,如k-均值,球形k-均值和标准NMF。
2014-08-19 cs.CV cs.IR math.OC
Diverse Image Generation via Self-Conditioned GANs
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Adobe Research(Adobe研究)
我们介绍了一种简单但有效的无监督方法,用于生成逼真和多样化的图像。我们训练类条件GAN模型,而不使用手动注释的类标签。相反,我们的模型是有条件的标签自动从聚类的特征空间。我们的聚类步骤自动发现不同的模式,并明确要求生成器覆盖它们。标准的模式坍塌基准测试的实验表明,我们的方法优于几个竞争的方法时,解决模式坍塌。与以前的方法相比,我们的方法在ImageNet和Places365等大规模数据集上也表现良好,提高了图像多样性和标准质量指标。
2022-02-10 cs.CV cs.LG
Improving Segmentation of Breast Ultrasound Images: Semi Automatic Two Pointers Histogram Splitting Technique
Illinois Institute of Technology(伊利诺伊理工学院);Rutgers University(罗格斯大学)
乳腺超声图像中存在噪声、斑点噪声和伪影,因此自动分割乳腺超声图像中的病变区域是一个具有挑战性的问题。BUS图像的边缘图也没有帮助,因为在大多数情况下,边缘图没有提供任何信息。几乎所有的分割技术都是以图像的边缘图作为第一步,尽管也有一些算法试图避免边缘图。改进乳腺超声图像的边缘图从理论上提高了自动分割的机会,更精确。在本文中,我们提出了一个半自动的技术直方图分裂使用两个指针。在这里,用户只需选择两个最初猜测的点,表示感兴趣区域(ROI)上的圆。该方法将自动研究内部直方图,并使用两个指针将其拆分。输出的BUS图像具有改进的边缘图,并且最终在其上的分割与使用相同算法和相同初始化的常规分割相比更好。此外,我们进一步处理边缘图,以减少边缘像素与面积的比例,提高均匀性和未来容易分割的机会。
2022-10-20 cs.CV eess.IV
Unsupervised Deep Learning-based clustering for Human Activity Recognition
University of Milano - Bicocca(米兰比可卡大学)
针对惯性传感器人类活动识别缺乏标注数据的问题,提出DISC无监督深度学习聚类架构,结合循环自编码器与聚类准则自动标注信号,在三个公开数据集上优于四种深度聚类方法。
2022-11-10 cs.CV cs.LG
Towards Novel Class Discovery: A Study in Novel Skin Lesions Clustering
Monash University(莫纳什大学);Airdoc LLC(Airdoc有限责任公司)
本文提出一种结合对比学习、不确定性感知多视图交叉伪监督与邻域信息聚合的新类别发现框架,用于在皮肤镜图像中聚类未知皮肤病变,并在 ISIC 2019 上验证有效。
2023-09-28 cs.CV
Large Scale Correlation Clustering Optimization
聚类是无监督学习的一项基本任务。本文的重点是相关性聚类功能,它结合了数据点之间的积极和消极的亲和力。本文的贡献有两个方面:(1)对泛函的性质进行了理论分析。(ii)新的优化算法,可以处理大规模的问题(>100K变量),这是不可行的使用现有的方法。我们的理论分析提供了一个概率生成解释的功能,并证明其内在的“模型选择”能力。此外,我们得出一个类比优化这个功能和著名的Potts能量最小化。这种类比使我们能够提出几种新的优化算法,利用内在的“模型选择”功能,自动恢复底层的集群数量。我们比较我们的算法,现有的方法合成和真实的数据。此外,我们提出了两个新的应用程序,使我们的算法:无监督人脸识别和交互式多对象分割粗糙边界划定。
2011-12-13 cs.CV
Clustering by Descending to the Nearest Neighbor in the Delaunay Graph Space
University of Electronic Science and Technology of China(电子科技大学)
在我们以前的工作中,我们提出了一个物理启发的规则,将数据点组织成一个入树(IT)结构,其中允许出现一些不需要的边缘。通过删除那些不需要的或冗余的边缘,这个IT结构被分成几个单独的部分,每个部分代表一个集群。在这项工作中,我们试图防止不需要的边缘从源头上出现。在使用物理启发规则之前,数据点首先被组织成一个邻近图,该图限制每个点仅在其邻居中选择最佳有向邻居。因此,分离的入树或聚类自动出现,而不需要去除冗余的边缘。
2015-02-16 cs.CV cs.LG stat.ML
Unsupervised Sign Language Phoneme Clustering using HamNoSys Notation
Heriot-Watt University(赫瑞-瓦特大学)
传统上,手语资源已被收集在控制设置的特定任务,涉及监督标志分类或语言学研究伴随着特定的注释类型。到目前为止,很少有人探索在社交媒体平台上在线发现的签名视频以及使用适用于此类资源的无监督方法。由于该领域正在努力在与训练期间所见不同的数据上实现可接受的模型性能,因此需要更多的手语数据多样性,远离在受控实验室环境中获得的数据。此外,由于手语数据汇集和注释带来很大的开销,因此期望加速注释过程。鉴于上述趋势,本文采取收集在线数据的一面,追求自动生成和标注手语语料库,通过音素聚类。
2022-05-21 cs.CL cs.CV
Deep Density-based Image Clustering
University of Electronic Science and Technology of China(电子科技大学)
最近,能够通过深度神经网络执行有利于聚类任务的特征学习的深度聚类在图像聚类应用中取得了显著的性能。然而,现有的深度聚类算法通常需要预先知道聚类的数量,而这在现实任务中通常是未知的。此外,在学习的特征空间中的初始聚类中心生成的$k$ -手段。这只适用于球形聚类,并可能导致不稳定的聚类结果。在本文中,我们提出了一个两阶段的深度密度为基础的图像聚类(DDC)框架来解决这些问题。第一阶段是训练深度卷积自动编码器(CAE)以从高维图像数据中提取低维特征表示,然后应用t-SNE将数据进一步减少到有利于基于密度的聚类算法的2维空间。第二阶段是应用开发的基于密度的聚类技术的2维嵌入数据自动识别适当数量的集群与任意形状。具体地说,该算法通过生成多个局部聚类来捕捉聚类的局部结构,然后通过聚类结果的密度关系进行聚类合并。实验表明,所提出的DDC实现可比的,甚至更好的聚类性能比国家的最先进的深度聚类方法,即使没有给出的集群的数量。
2018-12-11 cs.CV cs.LG stat.ML
A New Parallel Adaptive Clustering and its Application to Streaming Data
本文提出了一种并行自适应聚类(PAC)算法自动分类数据,同时选择一个合适的类的数量。聚类是数据分析和理解的重要工具,在广泛的领域,包括数据简化,模式分析和分类。然而,需要预先指定聚类的数量以及与聚类大数据集相关联的计算负担仍然是聚类中的挑战。我们提出了一个新的并行自适应聚类(PAC)算法,解决了这些挑战,自适应计算集群的数量和利用并行计算的力量。该算法在并行计算线程上聚类不相交的数据子集。我们开发了正则化集\mi{k} -有效地聚类并行线程的结果。细化步骤进一步改进聚类。PAC算法提供了自适应聚类随时间变化的数据集的能力,通过重用以前的时间步长的信息,以减少计算。我们提供了理论分析和数值实验来表征该方法的性能,验证其属性,并证明该方法的计算效率。
2021-04-06 cs.CV cs.LG