Understanding Trajectory Behavior: A Motion Pattern Approach
University of Central Florida(中佛罗里达大学);Purdue University(普渡大学)
在庞大而复杂的数据中挖掘潜在的模式对数据分析师来说非常重要。在本文中,我们提出了一种运动模式的方法来挖掘轨迹数据中的频繁行为。运动模式,定义了一组高度相似的流矢量组在一个空间的局部性,已被证明是非常有效的提取视频序列中的主要运动行为。受运动模式的应用和属性的启发,我们设计了一个框架,成功地解决了轨迹聚类的一般任务。我们提出的算法包括四个阶段:流矢量计算,运动分量提取,运动分量的可达集创建,和运动模式的形成。对于第一阶段,我们将轨迹分解为表示瞬时运动的流向量。在第二阶段,通过Kmeans聚类方法,我们通过相对于它们的位置和速度聚类流矢量来创建运动分量。其次,我们根据空间邻近度和运动相似度建立运动组件的可达性集合。最后,对于第四阶段,我们使用凝聚聚类对运动组件进行聚类,其中运动组件的签名之间的加权Jaccard距离是使用路径可达性创建的集合。我们已经评估了我们所提出的方法在不同数据集上的广泛实验的有效性。此外,我们已经展示了我们提出的方法如何处理挑战现有最先进方法的轨迹聚类的一般任务中的困难。
2015-01-04 cs.CV
CrOC: Cross-View Online Clustering for Dense Visual Representation Learning
CHUV(洛桑大学医院);EPFL(洛桑联邦理工学院);KU Leuven(鲁汶大学)
学习没有标签的密集视觉表示是一项艰巨的任务,从以场景为中心的数据中学习更是如此。我们建议解决这个具有挑战性的问题,提出了一个跨视图一致性的目标与在线聚类机制(CrOC)发现和分割的语义的意见。在没有手工制作的先验知识的情况下,所得到的方法更具有普遍性,并且不需要繁琐的预处理步骤。更重要的是,聚类算法联合地对两个视图的特征进行操作,从而优雅地绕过了两个视图中未表示的内容以及对象从一个作物到另一个作物的模糊匹配的问题。我们在各种数据集上的线性和无监督分割传输任务以及视频对象分割上表现出出色的性能。我们的代码和预训练模型可在https://github.com/stegmuel/CrOC上公开获取。
2023-03-23 cs.CV
End-to-End Driving with Online Trajectory Evaluation via BEV World Model
NLPR, Institute of Automation, Chinese Academy of Sciences (CASIA)(中国科学院自动化研究所NLPR);University of Chinese Academy of Sciences (UCAS)(中国科学院大学)
本文提出端到端驾驶框架WoTE,利用BEV世界模型预测未来BEV状态以实现在线轨迹评估,在NAVSIM和Bench2Drive基准上取得最先进性能。
2025-04-09 cs.CV
Unsupervised Action Segmentation by Joint Representation Learning and Online Clustering
Retrocausal, Inc.(Retrocausal公司)
提出联合表征学习与在线聚类的无监督动作分割方法,通过时间最优传输保留活动顺序并降低内存占用,在四个数据集上达到相当或更优性能。
2023-08-17 cs.CV
Trajectory-aware Shifted State Space Models for Online Video Super-Resolution
Pengcheng Labartory(鹏城实验室);University of Bristol(英国布里斯托大学);University of Electronic Science and Technology of China(电子科技大学);Shenzhen Graduate School, Peking University(北京大学深圳研究生院)
本文提出基于轨迹意识位移状态空间模型的在线视频超分辨率方法,通过长期轨迹建模和低复杂度Mamba实现高效时空信息聚合,实验表明其在性能和复杂度上均优于现有方法。
2026-02-24 cs.CV
The Greedy Dirichlet Process Filter - An Online Clustering Multi-Target Tracker
Institute for Autonomous Systems Technology (TAS) of the Universität der Bundeswehr Munich(慕尼黑联邦国防军大学自主系统技术研究所(TAS))
可靠的防撞是自动驾驶的主要要求之一。因此,实时地正确估计未知数量的静态和动态对象的状态是重要的。在这里,数据关联是每个多目标跟踪器的主要挑战。基于Dirichlet过程的非参数贝叶斯模型和快速后验计算算法顺序更新和贪婪搜索(SUGS),提出了一种新的多目标跟踪器--贪婪Dirichlet过程滤波器(GDPF).通过添加时间依赖性,我们得到了一个实时的跟踪框架,而不需要以前的聚类或数据关联步骤。实际测试表明,GDPF在精度和稳定性方面优于其他多目标跟踪器。
2019-03-08 cs.CV
Online Deep Clustering with Video Track Consistency
University of Florence(佛罗伦萨大学)
近年来,已经开发了几种无监督和自监督方法来从大规模未标记数据集中学习视觉特征。然而,他们的主要缺点是,这些方法是很难能够识别相同的对象,如果它只是旋转或相机的角度变化的视觉特征。为了克服这一限制,并在同一时间利用一个有用的来源的监督,我们考虑到视频对象的轨道。根据直觉,轨道中的两个补丁在学习的特征空间中应该具有相似的视觉表示,我们采用了一种基于无监督聚类的方法,并将这些表示限制为标记为相同的类别,因为它们可能属于相同的对象或对象部分。在不同数据集上的两个下游任务的实验结果证明了我们的在线深度聚类与视频跟踪一致性(ODCT)方法的有效性,与之前的工作相比,它没有利用时间信息。此外,我们表明,利用一个无监督的类不可知的,但嘈杂的,跟踪生成器产生更好的准确性相比,依赖于昂贵的和精确的跟踪注释。
2022-06-07 cs.CV
Towards Discriminative Representation: Multi-view Trajectory Contrastive Learning for Online Multi-object Tracking
Huazhong Univerisity of Science and Technology(华中科技大学);Tsinghua University(清华大学)
区分表示是多目标跟踪中关联步骤的关键。最近的工作主要利用单个或相邻帧中的特征来构建度量损失,并使网络能够提取目标的表示。虽然这种策略是有效的,但它未能充分利用整个轨迹中包含的信息。为此,我们提出了一种策略,即多视图轨迹对比学习,其中每个轨迹表示为一个中心向量。通过在动态更新的存储体中保持所有的矢量,设计了一种冗余级的对比度损失,以探索整个轨迹中的帧间信息。此外,在该策略中,每个目标表示为多个自适应选择的关键点,而不是一个预定义的锚或中心。这种设计允许网络从同一目标的多个视图中生成更丰富的表示,从而可以更好地表征被遮挡的对象。此外,在推理阶段,一个相似性指导的特征融合策略,以进一步提高质量的轨迹表示。在MOTChallenge上进行了大量的实验,以验证所提出的技术的有效性。实验结果表明,我们的方法已经超越了之前的跟踪器,并建立了新的最先进的性能。
2022-04-05 cs.CV
Deep Online Probability Aggregation Clustering
Systems Engineering Institute, Xi’an Jiaotong University(西安交通大学系统工程研究所)
针对深度聚类交替训练的不稳定与高计算量问题,提出无中心概率聚合聚类算法PAC及在线模块,构建深度框架DPAC,实验证明其性能与鲁棒性优于现有方法。
2024-07-13 cs.CV cs.LG
Online Clustering-based Multi-Camera Vehicle Tracking in Scenarios with overlapping FOVs
Universidad Autónoma de Madrid(马德里自治大学)
多目标多摄像机车辆跟踪是视觉交通监控的一项重要任务,也是智能交通系统的主要研究领域之一。已经提出了几种离线方法来解决这个任务;然而,由于它们的高延迟和后处理要求,它们与现实世界的应用程序不兼容。在本文中,我们提出了一种新的低延迟在线方法MTMC跟踪的场景与部分重叠的视野(FOV),如道路交叉口。首先,该方法在每个摄像头检测车辆。然后,通过应用基于外观和位置的跨相机聚类来合并相机之间的检测。最后,包含同一车辆的不同检测的集群在时间上相关联,以逐帧计算轨迹。实验表明,有前途的低延迟的结果,同时解决现实世界的挑战,如先验未知和时变的目标数量和连续的状态估计,他们没有执行任何后处理的轨迹。
2021-02-08 cs.CV
ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning
Monash University(莫纳什大学);Australian Institute for Machine Learning, The University of Adelaide(阿德莱德大学澳大利亚机器学习研究所)
基于置信度的伪标记是半监督学习(SSL)的主要方法之一。它依赖于包括对未标记数据进行的高置信度预测,作为训练模型的附加目标。我们提出ProtoCon,一种新的SSL方法,旨在较少探索的标签稀缺的SSL,这种方法通常表现不佳。ProtoCon通过利用其最近邻居的信息来细化伪标签。使用在线聚类方法在通过原型损失训练的嵌入空间中操作,以鼓励良好形成的集群,识别邻居作为训练的进行。ProtoCon的在线性质允许它在一个训练周期中利用整个数据集的标签历史来在下一个周期中改进标签,而无需存储图像嵌入。因此,它可以以低成本无缝扩展到更大的数据集。最后,ProtoCon通过引入辅助的自我监督损失来解决训练初始阶段的训练信号差(由于较少的置信预测)。它在5个数据集上提供了显著的收益和更快的收敛速度,包括CIFARs,ImageNet和DomainNet。
2023-03-22 cs.CV
Unsupervised Learning of Video Representations via Dense Trajectory Clustering
Carnegie Mellon University(卡内基梅隆大学);Inria(法国国家信息与自动化研究所)
本文讨论了无监督学习的任务表示在视频中的动作识别。以前的工作提出了利用未来的预测,或其他特定领域的目标,训练网络,但只取得了有限的成功。相比之下,在图像表示学习的相关领域,更简单的,基于判别的方法最近弥合了差距,完全监督的性能。我们首先建议将这类中的两个顶级性能目标-实例识别和本地聚合-适应于视频域。特别地,后一种方法在网络的特征空间中对视频进行聚类和更新以尊重具有非参数分类损失的聚类之间迭代。我们观察到有希望的性能,但定性分析表明,学习的表示未能捕获运动模式,根据外观对视频进行分组。为了缓解这个问题,我们转向基于运动的IDT描述符,它是手动设计的,用于对视频中的运动模式进行编码。我们在IDT空间中形成集群,使用这些描述符作为迭代局部聚合算法中的无监督先验。我们的实验表明,这种方法优于UCF 101和HMDB 51动作识别基准的先前工作。我们还定性分析了学习的表示,并表明他们成功地捕捉视频动态。
2020-06-28 cs.CV
Trajectory-based Radical Analysis Network for Online Handwritten Chinese Character Recognition
University of Science and Technology of China(中国科学技术大学)
近年来,由于深度学习技术的出现,在线手写汉字识别取得了很大进展。然而,以往的研究大多将每个汉字作为一类,而没有明确考虑其内在结构,即具有复杂几何形状的偏旁构件。在这项研究中,我们提出了一种新的基于语义的偏旁分析网络(TRAN),首先识别偏旁,同时分析偏旁之间的二维结构,然后识别汉字,通过生成字幕的基础上,他们的内部偏旁的分析。建议TRAN采用递归神经网络(RNN)作为编码器和解码器。RNN编码器通过直接将手写轨迹转换为高级特征来充分利用在线信息。RNN解码器旨在通过注意力模型检测部首和空间结构来生成字幕。这种把汉字看作是二维的偏旁组合的方法可以减少词汇量,并使TRAN具有识别不可见汉字类的能力,只要对应的偏旁已经被看到。在CASIA-OLHWDB数据库上的实验结果表明,该方法的相对字符出错率(CER)降低了10%,明显优于现有的全字符建模方法。同时,对于500个未见过汉字的识别,TRAN可以达到约60%的字符准确率,而传统的整字方法没有能力处理它们。
2018-01-22 cs.CV
Online Filter Clustering and Pruning for Efficient Convnets
University of Science and Technology of China(中国科学技术大学);HeFei University of Technology(合肥工业大学)
修剪过滤器是加速深度神经网络(DNN)的一种有效方法,但大多数现有方法直接在预训练的网络上修剪过滤器,这限制了加速。虽然每个过滤器在DNN中都有自己的效果,但如果两个过滤器彼此相同,我们可以安全地修剪一个。本文在损失函数中增加了一个额外的聚类损失项,使得每个聚类中的滤波器在线相似。训练后,我们在每个集群中保留一个过滤器,并修剪其他过滤器,并微调修剪后的网络以补偿损失。特别地,可以首先定义每层中的簇,这对于修剪残差块内的DNN是有效的。在CIFAR10和CIFAR100基准上的大量实验证明了我们提出的过滤器剪枝方法的竞争性能。
2019-05-28 cs.CV
Online Trajectory Segmentation and Summary With Applications to Visualization and Retrieval
Lily Safra Center for Brain Sciences The Hebrew University of Jerusalem
轨迹分割是将轨迹细分为多个部分的过程,或者通过将关于感兴趣的一些度量相似的点分组,或者通过最小化全局目标函数。在这里,我们提出了一种新的在线算法分割和总结,沿轨迹的点密度的基础上,并根据自然发生的结构的间歇性发作的机车和本地活动的性质。我们展示了一个应用程序的轨迹数据集的可视化,并讨论了使用的摘要作为索引,允许高效的查询,否则是不可能的或计算昂贵的,在非常大的数据集。
2016-07-24 cs.CV cs.DB stat.ML
Efficient Large-Scale Face Clustering Using an Online Mixture of Gaussians
Vicomtech Foundation(Vicomtech基金会);University of the Basque Country(巴斯克大学)
在这项工作中,我们解决了大规模在线人脸聚类的问题:给定一个连续的未知面孔流,创建一个数据库,根据他们的身份对传入的面孔进行分组。每次有新面孔到来,数据库都必须更新。此外,解决方案必须高效、准确和可扩展。为此,我们提出了一个在线高斯混合聚类方法(OGMC)。该方法的关键思想是提议一个身份可以由不止一个分布或集群表示。使用从传入的面部提取的特征向量(f向量),OGMC生成可以根据其接近度和鲁棒性与其他人连接的聚类。每次使用新样本更新集群时,其连接也会更新。通过这种方法,我们减少了聚类过程对传入数据的顺序和大小的依赖,并且我们能够处理复杂的数据分布。实验结果表明,该方法优于国家的最先进的聚类方法在大规模的人脸聚类基准不仅在准确性,而且在效率和可扩展性。
2021-03-31 cs.CV cs.LG
Online Deep Clustering for Unsupervised Representation Learning
The Chinese University of Hong Kong(香港中文大学);Nanyang Technological University(南洋理工大学);A*STAR(新加坡科技研究局)
联合聚类和特征学习方法在无监督表示学习中表现出了显著的性能。然而,在特征聚类和网络参数更新之间交替的训练时间表导致视觉表示的不稳定学习。为了克服这一挑战,我们提出了在线深度聚类(ODC),它同时执行聚类和网络更新,而不是交替执行。我们的关键见解是,聚类中心应该稳步发展,保持分类器稳定更新。具体来说,我们设计并维护了两个动态存储模块,即,用于存储样本标签和特征的样本存储器,以及用于质心演化的质心存储器。我们将突然的全局聚类分解为稳定的内存更新和批量标签重新分配。该过程被集成到网络更新迭代中。通过这种方式,标签和网络并肩而不是交替发展。大量的实验表明,ODC稳定了训练过程,有效地提高了性能。代码:https://github.com/open-mmlab/OpenSelfSup.
2020-06-18 cs.CV cs.LG
Online Clustering by Penalized Weighted GMM
Intel(英特尔公司)
随着大数据时代的到来,数据集正在迅速增长。数据流来自任何地方-从相机,手机,汽车和其他电子设备。聚类流数据是一个非常具有挑战性的问题。与数据集可以多次存储和扫描的传统聚类算法不同,对流数据进行聚类必须满足诸如有限内存大小、实时响应、未知数据统计和未知簇数量等约束。在本文中,我们提出了一种新的在线聚类算法,可用于聚类流数据,而不知道的簇的数量先验。在合成数据集和真实数据集上的结果表明,该算法产生的分区接近于一次聚类整个数据所能得到的分区。
2019-02-07 cs.CV cs.LG stat.ML
Efficient Dense Crowd Trajectory Prediction Via Dynamic Clustering
University of Glasgow(格拉斯哥大学)
本文提出一种基于聚类的方法,通过时间上相似属性分组提高密集人群轨迹预测效率,降低计算成本并保持准确性。
2026-10-09 cs.AI cs.CV
Vision-Aided Absolute Trajectory Estimation Using an Unsupervised Deep Network with Online Error Correction
GTS;US Army Research Laboratory(美国陆军研究实验室)
我们提出了一种无监督的深度神经网络方法来融合RGB-D图像与惯性测量,以进行绝对轨迹估计。我们的网络被称为视觉惯性测距学习器(VIOLearner),学习在没有惯性测量单元(IMU)内部参数(对应于陀螺仪和加速度计偏差或白噪声)或IMU和相机之间的外部校准的情况下执行视觉惯性测距(VIO)。该网络学习整合IMU测量值并生成假设轨迹,然后根据缩放图像投影误差相对于像素坐标空间网格的雅可比矩阵在线校正这些假设轨迹。我们评估了我们的网络对国家的最先进的(SOA)视觉惯性里程计,视觉里程计,视觉同时定位与地图构建(VSLAM)的KITTI里程计数据集的方法,并展示了竞争力的里程计性能。
2018-03-08 cs.CV cs.RO
Online Handwriting Trajectory Reconstruction from Kinematic Sensors using Temporal Convolutional Network
IRISA, Université de Rennes, INSA Rennes(IRISA研究所、雷恩大学、雷恩国立应用科学学院);IRISA, Université Rennes 2(IRISA研究所、雷恩第二大学);LETG(LETG机构)
本研究针对数字笔与数位板采样率差异问题,结合动态时间规整与时间卷积网络架构,构建新基准数据集,实现从运动传感器信号到在线手写轨迹的高精度重建。
2026-07-30 cs.CV cs.LG
Dynamic Character Graph via Online Face Clustering for Movie Analysis
Carnegie Mellon University(卡内基梅隆大学);University of Warwick(华威大学)
自动化电影内容分析的一种有效方法是构建其角色的网络(图)。现有的工作通常建立一个静态的字符图,总结使用元数据,脚本或手动注释的内容。我们提出了一个无监督的方法来建立一个动态的字符图,捕捉字符交互的时间演变。我们称之为字符交互图(CIG)。我们的方法有两个组成部分:(i)一个在线的人脸聚类算法,发现视频流中的字符,因为他们出现,和(ii)同时创建一个CIG使用的时间动态产生的集群。我们证明了有用的CIG的两个电影分析任务:叙事结构(行为)分割,和主要人物检索。我们的评价全长电影包含超过5000人的脸轨道表明,所提出的方法实现了优异的性能,这两个任务。
2020-07-29 cs.CV cs.MM
Online trajectory recovery from offline handwritten Japanese kanji characters
Institute of Global Innovation Research(全球创新研究机构);Tokyo University of Agriculture and Technology(东京农工大学)
通常,从在线手写模式呈现离线手写图像是简单的。然而,这是具有挑战性的重建一个在线的手写模式给定的离线手写图像,特别是多笔划的字符,如日本汉字。多笔画字符不仅需要点坐标,而且需要笔画顺序,其难度随笔画数量呈指数增长。此外,多个交叉和接触点可能会增加恢复任务的难度。我们提出了一种基于深度神经网络的方法来解决使用大型在线手写数据库的恢复任务。我们提出的模型有两个主要组成部分:基于卷积神经网络的编码器和基于长短期记忆网络的解码器与注意层。编码器专注于特征提取,而解码器参考提取的特征并生成坐标的时间序列。我们还演示了在重建过程中的注意层,以指导解码器的效果。我们通过视觉验证和手写字符识别来评估所提出的方法的性能。虽然视觉验证揭示了一些问题,识别实验表明,在提高离线手写字符识别的准确性时,结合在线识别的恢复轨迹的轨迹恢复的效果。
2020-09-09 cs.CV cs.LG
Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection
INRIA(法国国家信息与自动化研究所);Université Paris Dauphine-PSL(巴黎多芬大学-PSL大学集团);Valeo(法雷奥)
本文提出基于空中观测数据的轨迹聚类与异常值剔除方法,在不依赖地图信息的情况下从原始数据中提取汽车、行人和骑行者等道路使用者的典型轨迹类别,并在交叉口和环岛场景中验证其有效性,为后续行为预测和学习任务提供可靠数据基础。
2024-07-03 cs.AI cs.CV cs.RO
Unsupervised Anomalous Trajectory Detection for Crowded Scenes
Indian Institute of Engineering Science and Technology, Shibpur(印度希布尔工程科学技术学院);Indian Institute of Space Science and Technology(印度空间科学技术学院)
提出了一种改进的基于聚类的无监督异常轨迹检测算法。所提出的工作是基于四个主要步骤,即,从拥挤的场景视频中提取的轨迹,从这些轨迹中提取的几个功能,独立的均值漂移聚类和异常检测。首先,使用多特征视频对象跟踪器提取人群中所有运动对象的轨迹。然后将这些轨迹转换为一组特征空间。均值漂移聚类应用于这些特征矩阵,以获得不同的集群,而基于香农熵的异常检测器识别相应的异常。在最后一步中,投票机制识别出表现出异常特征的轨迹。该算法是测试人群场景视频数据集。视频代表了各种可能的人群场景,具有不同的运动模式,该方法可以很好地从场景中检测出预期的异常轨迹。
2019-07-03 cs.CV eess.IV
Online Arbitrary Shaped Clustering through Correlated Gaussian Functions
Norwegian University of Science and Technology(挪威科技大学)
针对反向传播缺乏生物学合理性的问题,提出一种无需先验聚类数量、通过相关高斯函数捕获输入模式以产生任意形状聚类的新颖在线无监督聚类算法,其生物学合理性更强且在多个数据集上表现良好。
2023-11-20 cs.CV cs.LG cs.NE
Producing and Leveraging Online Map Uncertainty in Trajectory Prediction
University of Toronto(多伦多大学);Vector Institute(向量研究所);NVIDIA Research(英伟达研究院);Stanford University(斯坦福大学)
本文扩展多种在线地图估计方法以额外生成不确定性,并将其与轨迹预测任务紧密集成,在 nuScenes 数据集上实现了最高 50% 的训练收敛加速和 15% 的预测性能提升。
2024-03-25 cs.CV cs.LG cs.RO
Heterogeneous Tri-stream Clustering Network
College of Mathematics and Informatics, South China Agricultural University(华南农业大学数学与信息学院);Key Laboratory of Smart Agricultural Technology in Tropical South China, Ministry of Agriculture and Rural Affairs(农业农村部华南热带智慧农业技术重点实验室);School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机学院)
对比深度聚类最近因其通过深度神经网络进行联合对比学习和聚类的能力而获得了极大的关注。尽管进展迅速,以前的工作大多需要正反样本对进行对比聚类,这依赖于相对较大的批量大小。此外,它们通常采用具有两个增强视图的双流架构,这忽略了多流架构(特别是异构或混合网络)的可能性和潜在优势。有鉴于此,本文提出了一种新的端到端的深度聚类方法,称为异构三流聚类网络(HTCN)。HTCN的三流结构由三个主要部分组成,包括两个权值共享的在线网络和一个目标网络,目标网络的参数是在线网络参数的指数移动平均。值得注意的是,这两个在线网络是通过同时(i)预测目标网络的实例表示和(ii)强制目标网络的聚类表示与这两个在线网络的聚类表示之间的一致性来训练的。在四个具有挑战性的图像数据集上的实验结果证明了HTCN优于最先进的深度聚类方法。该代码可在https://github.com/dengxiaozhi/HTCN上获得。
2023-01-11 cs.CV cs.LG
Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(SLAC国家加速器实验室)
液态氩时间投影室(LArTPC)是一种高分辨率的粒子成像探测器,用于加速器中微子振荡实验,实现高精度的物理测量。虽然物理学家可以直观地分析粒子轨迹的图像,但开发高质量的自动数据重建链仍然具有挑战性。最关键的重建步骤之一是粒子聚类:将3D图像像素分组为共享相同粒子类型的不同粒子实例的任务。在本文中,我们提出了第一个可扩展的深度学习算法,用于使用稀疏卷积神经网络(SCNN)在LArTPC数据中进行粒子聚类。基于先前关于SCNN和无建议实例分割的工作,我们构建了一个端到端的可训练实例分割网络,该网络学习图像像素的嵌入,以在变换的空间中执行点云聚类。我们基准测试我们的算法的性能PILArNet,一个公共的3D粒子成像数据集,相对于常见的聚类评价指标。3D像素成功聚集成单个粒子轨迹,其中90%的调整后兰德指数得分大于92%,平均像素聚集效率和纯度高于96%。这项工作有助于开发一个端到端的可优化的完整数据重建链LArTPC,特别是基于像素的3D成像探测器,包括近探测器的深地下中微子实验。我们的算法在开放获取存储库中可用,我们共享我们的Singularity软件容器,它可用于复制我们在数据集上的工作。
2020-07-06 cs.CV eess.IV physics.ins-det
Simplex Clustering via sBeta with Applications to Online Adjustment of Black-Box Predictions
ETS Montreal(蒙特利尔工程学院);INRS(魁北克国家科学研究院);Thales Research and Technology (TRT) Canada(泰雷兹研究与技术加拿大公司);Thales Digital Solutions (TDS)(泰雷兹数字解决方案公司);CortAIx(CortAIx公司)
本文提出k-sBetas概率聚类方法,通过引入sBeta密度函数并联合估计参数与簇分配变量,对深度神经网络softmax预测进行聚类,从而在各种场景下实现黑盒模型预测的高性能无监督在线调整。
2024-06-30 cs.AI cs.CV cs.LG
Revisiting Gaussian Neurons for Online Clustering with Unknown Number of Clusters
Norwegian University of Science and Technology(挪威科技大学)
尽管人工神经网络最近取得了成功,但可能需要更多生物学上合理的学习方法来解决反向传播训练模型的弱点,如灾难性遗忘和对抗攻击。虽然这些弱点没有具体解决,一种新的本地学习规则,进行在线聚类的上限,而不是一个固定的集群计数的集群数量。代替使用正交权重或输出激活约束,激活稀疏性通过横向高斯神经元的相互排斥来实现,从而确保多个神经元中心不能占据输入域中的相同位置。在数据样本可以用均值和方差表示的情况下,还提出了一种更新方法来调整高斯神经元的宽度。这些算法应用于MNIST和CIFAR-10数据集,以创建捕获各种大小的像素块的输入模式的过滤器。实验结果表明,在大量的训练样本的学习参数的稳定性。
2022-08-06 cs.CV cs.LG cs.NE