检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习的舌象自监督聚类

中国医学物理学杂志 2023年第1期40卷 120-125页

作者：罗思言王心舟饶向荣中国中医科学院广安门医院肾病科北京100053 同济大学电子与信息工程学院上海201804

目的:解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法:基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征... 详细信息

目的:解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法:基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果:在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论:该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。

关键词：自监督学习中医舌诊图像聚类高斯混合模型

在线全文

学校读者我要写书评

暂无评论

干扰环境下的大气偏振导航方法

激光与光电子学进展 2024年

作者：董万卷范之国金海红合肥工业大学计算机与信息学院安徽建筑大学电子与信息工程学院

仿生偏振光导航可以利用大气偏振信息进行导航和定位，在大气偏振信息测量过程中，当太阳直射镜头或视野受到遮挡时，测得的大气偏振信息会受到干扰，从而导致导航精度降低。为了解决这些受干扰区域对偏振导航精度产生的影响，本文提出... 详细信息

仿生偏振光导航可以利用大气偏振信息进行导航和定位，在大气偏振信息测量过程中，当太阳直射镜头或视野受到遮挡时，测得的大气偏振信息会受到干扰，从而导致导航精度降低。为了解决这些受干扰区域对偏振导航精度产生的影响，本文提出了一种基于偏振角信息与偏振度信息的去干扰算法，并基于瑞丽散射模型获取太阳子午线方向实现导航定向。实验结果表明，本方法不仅能够对受干扰区域进行准确划分，还能够提高偏振导航方法的精度。对于去干扰前航向角误差大于2度的数据，去干扰前航向角误差平均值为5.37度，去干扰后航向角误差平均值为1.56度。对于去干扰前航向角误差小于2度的数据，去干扰前航向角误差平均值为1.13度，去干扰后航向角误差平均值为0.59度。

关键词：大气偏振模式偏振光导航图像聚类偏振角偏振信息干扰

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

联合深度图聚类与目标检测的像素级分割算法

模式识别与人工智能 2022年第2期35卷 130-140页

作者：方宝富张旭王浩合肥工业大学计算机与信息学院合肥230601

获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与... 详细信息

获取周围环境中的语义信息是语义同时定位与建图(Simultaneous Localization and Mapping,SLAM)的重要任务,然而,采用语义分割或实例分割网络会影响系统的时间性能,采用目标检测方法又会损失一部分精度.因此,文中提出联合深度图聚类与目标检测的像素级分割算法,在保证实时性的前提下,提高当前语义SLAM系统的定位精度.首先,采用均值滤波算法对深度图的无效点进行修复,使深度信息更真实可靠.然后,分别对RGB图像和对应的深度图像进行目标检测和K-means聚类处理,结合两者结果,得出像素级的物体分割结果.最后,利用上述结果剔除周围环境中的动态点,建立完整、不含动态物体的语义地图.在TUM数据集和真实家居场景中分别进行深度图修复、像素级分割、估计相机轨迹与真实相机轨迹对比实验,结果表明,文中算法具有较好的实时性与鲁棒性.

关键词：视觉同时定位与建图语义同时定位与建图图像聚类目标检测

在线全文

学校读者我要写书评

暂无评论

基于对比学习的超多类深度图像聚类模型

计算机科学 2023年第9期50卷 192-201页

作者：胡深钱宇华王婕婷李飞江吕维山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006 山西大学大数据科学与产业研究院太原030006

图像聚类通过表征学习对图像数据降维并提取有效特征而后进行聚类分析。当图像数据存在超多类别时,数据分布的复杂性和类簇的密集性严重影响了现有方法的实用性。为此,提出了基于对比学习的超多类深度图像聚类模型,主要分为3个阶段:首先... 详细信息

图像聚类通过表征学习对图像数据降维并提取有效特征而后进行聚类分析。当图像数据存在超多类别时,数据分布的复杂性和类簇的密集性严重影响了现有方法的实用性。为此,提出了基于对比学习的超多类深度图像聚类模型,主要分为3个阶段:首先,改进对比学习方法训练特征模型以使类簇分布均匀;其次,基于语义相似性原则多视角挖掘实例语义最近邻信息;最后,将实例及其最近邻作为自监督信息训练聚类模型。根据实验类型的不同,设计了消融实验和对比实验。在消融实验中,证明了所提方法使类簇均匀分布在映射空间,并可靠挖掘语义最近邻信息。在对比实验中,将其与先进算法在7个基准数据集上进行了比较,在ImageNet-200类数据集上,其准确率比目前先进方法提升了10.6%;在ImageNet-1000类数据集上,其准确率比目前先进算法提升了9.2%。

关键词：超多类聚类对比学习特征模型语义相似性图像聚类

在线全文

学校读者我要写书评

暂无评论

一种面向移动机器人导航的自然路标提取方法

哈尔滨工程大学学报 2019年第4期40卷 844-850页

作者：牛杰卜雄洙钱堃常州信息职业技术学院电子与电气工程学院江苏常州213164 南京理工大学机械工程学院江苏南京210094 东南大学自动化学院江苏南京210096

针对机器人定位和导航应用中人工路标存在的缺陷,本文设计了一种基于频域特性的显著性路标提取方法。该方法利用图像熵理论自适应选取因子平滑图像,在对立色彩空间上,利用频域显著性计算方法得到三通道色彩空间的显著图,并对其进行加权... 详细信息

针对机器人定位和导航应用中人工路标存在的缺陷,本文设计了一种基于频域特性的显著性路标提取方法。该方法利用图像熵理论自适应选取因子平滑图像,在对立色彩空间上,利用频域显著性计算方法得到三通道色彩空间的显著图,并对其进行加权融合。同时考虑到路标一致性和噪声的因素,利用优化的K-means聚类结果,对最终的显著图进行掩膜操作,筛选出可供机器人导航应用的自然路标。实验验证了在常规环境下,相较于特征算子的直接匹配,视觉注意特征提取的显著像素达到了平均80%的检出率,并具有较高的可重复性。基于自然路标的实际机器人导航实验进一步验证了方法的有效性。

关键词：视觉注意图像聚类图像分割移动机器人路标检测

在线全文

学校读者我要写书评

暂无评论

基于相关熵和流形正则化的图像聚类

南京大学学报（自然科学版） 2022年第3期58卷 469-482页

作者：时照群刘兆伟刘惊雷烟台大学计算机与控制工程学院烟台264005

近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative... 详细信息

近年来,聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究,然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF(Correntropy and Manifold Regularization Non-Negative Matrix Factorization).首先,采用基于相关熵的非负矩阵分解(Non-Negative Matrix Factorization,NMF)作为损失函数来抑制非高斯噪声和异常值的影响;其次,充分考虑数据的结构信息,采用流形正则化学习数据的局部结构,并通过l2,1-范数对非负矩阵进行稀疏约束;最后,利用半二次优化技术(Half-Quadratic Optimization Technique,HQ)进行优化,并分析了收敛性和计算复杂度.在五个图像数据集上进行测试,实验结果表明,提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.

关键词：非负矩阵分解相关熵流形正则化半二次优化技术图像聚类

在线全文

学校读者我要写书评

暂无评论

基于无监督学习视觉特征的深度聚类方法

南京航空航天大学学报 2021年第5期53卷 718-725页

作者：陈俊芬赵佳成翟俊海李艳河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室保定071002 北京师范大学珠海分校应用数学学院珠海519087

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-enco... 详细信息

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-encoder with an asymmetric structure,ASCAE)的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法(AEC、IEC、DEC和DEN)。

关键词：图像聚类卷积自编码器特征表示 K-means算法聚类精度

基于对比学习与伪标签的深度图像聚类算法研究

在线全文

学校读者我要写书评

暂无评论

基于对比学习与伪标签的深度图像聚类算法研究

作者：刘子炜河北大学

学位级别：硕士

图像聚类是一种无监督学习任务,其目标是将相似的图像聚在一起,使同一簇内的图像具有更高的相似性,而不同簇内的图像则有较大差异。传统的聚类算法,如KMeans、层次聚类和谱聚类等,可以用于图像聚类,但是由于图像数据的高维性和复杂性,... 详细信息

图像聚类是一种无监督学习任务,其目标是将相似的图像聚在一起,使同一簇内的图像具有更高的相似性,而不同簇内的图像则有较大差异。传统的聚类算法,如KMeans、层次聚类和谱聚类等,可以用于图像聚类,但是由于图像数据的高维性和复杂性,这些经典的聚类方法很难获得良好性能。随着深度学习在图像处理领域的成功,越来越多的研究者将无监督深度学习和图像聚类算法相结合,提出了多种深度聚类模型。深度聚类方法在图像聚类任务中表现出色,因此逐渐成为研究者关注的方向之一。目前常见的端到端的深度聚类模型大多由对比学习驱动,通过对比学习可以获得更具语义信息并且更适合聚类任务的特征。在基于对比学习的深度聚类算法中,伪标签技术发挥着重要作用,正确的伪标签可以减少噪声的引入,从而提高数据的利用率。然而,不正确的伪标签将会引导网络学习到错误的特征表示,且随着错误的累计将导致网络性能的崩塌。本文主要利用对比学习与伪标签技术,对深度图像聚类算法进行了研究,提出了两个深度图像聚类算法:1、针对现有的大多数伪标签聚类方法不能纠正生成的错误伪标签,导致后续训练中的错误累积,从而降低聚类性能的问题。提出了一种端到端的聚类算法,基于伪标签校正和分布对齐的深度图像聚类算法(Pseudo-label Correction and Distribution Alignment for Deep Image Clustering,简称为PCDAC)。PCDAC通过引入内存库,有效的地利用存储在内存库中的历史簇概率信息与特征表示来校正伪标签,降低伪标签引入的噪声。同时引入分布对齐策略,充分利用了数据样本的强增强和弱增强所提供的各种判别信息,使得网络输出更适合聚类任务的语义特征。实验结果表明,PCDAC算法具有良好的聚类性能。2、目前大部分基于伪标签的图像聚类算法,往往采用固定阈值对伪标签进行筛选,使得各簇无法均衡学习,降低了数据的利用率,导致聚类性能下降。为解决该问题,提出了一种端到端的聚类算法:基于动态伪标签的深度图像聚类算法(Dynamic Threshold of Pseudo-label for Deep Image Clustering,简称为DTPC),DTPC不需要引入额外的有标签数据,而是根据现有数据的分布,动态地调整阈值,通过加入学习程度判断器模块,根据不同簇的学习程度来动态调整阈值,使得筛选的伪标签可以更少的引入噪声,在实现更均衡学习的同时提高了数据利用率,从而达到了提高图像聚类性能的目的。实验结果表明DTPC算法在六个基准数据集上的聚类性能优于现有的大多数主流的图像聚类算法。具体而言DTPC在Image Net-10,Image Net dogs和tiny Image Net数据集上的聚类精度较对比聚类算法(CC)分别提高了8.0%、27.3%和36.4%。

关键词：图像聚类深度学习对比学习伪标签内存库

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自监督学习在图像聚类中的应用

自监督学习在图像聚类中的应用

作者：孙朗河北大学

学位级别：硕士

在大型图像数据集的分类任务中,图像标签对于训练至关重要。但是,人工标记图像将花费大量资源。因此探索在没有注释的情况下对图像有效地进行分类的方法是必要的。聚类作为一种无监督学习方法,在无监督图像分类领域取得了一些有希望的... 详细信息

在大型图像数据集的分类任务中,图像标签对于训练至关重要。但是,人工标记图像将花费大量资源。因此探索在没有注释的情况下对图像有效地进行分类的方法是必要的。聚类作为一种无监督学习方法,在无监督图像分类领域取得了一些有希望的结果。但是,传统的聚类方法主要用于具有固定特征的线性模型,因此其性能过度依赖于初始化特征并且很容易产生退化解决方案。在计算机视觉领域,卷积神经网络目前已成为一个重要的组成部分,其权值共享以及稀疏连接的特性使得网络参数总量减少,具有正则化的效果,提高了网络结构的稳定性和泛化能力,避免过拟合,因此通常被用于提取图像深层特征。如今,基于深度卷积神经网络的深度聚类算法逐渐成为主流,伴随着卷积神经网络的深度革命(如Res Net已经达到了一千层以上的深度),网络的特征提取能力已不再是聚类任务的瓶颈,如何将提取到的特征进一步划分为语义相同的簇是目前需要解决的问题。本文致力于将最新的自监督学习方法应用于深度图像聚类,改善现有聚类算法的一些不足,从网络结构、训练方式、损失函数的设计等方面着手提升聚类性能。主要的研究创新点概括如下:(1)提出了一种基于局部语义信息和原型的深度聚类算法(LSPC),该算法旨在学习一组代表性的原型。在训练框架上,将自监督学习中的对比学习算法与基于质心的传统k-means聚类算法相结合。为了使模型能够准确捕获图像中的语义信息,在嵌入空间中挖掘训练样本的相似样本作为局部语义信息,以有效增大属于同一集群的样本之间的相似度。实验结果表明,LSPC算法在多个公共数据集上实现了最先进的性能并且这种优越的聚类性能也可以扩展到如Image Net的大型数据集。(2)考虑到不同类簇上不同的学习状态和学习难度,在第一个工作LSPC的基础上提出了自适应对比聚类算法(Ad CC)。这是一种自适应学习方法,可以根据模型的学习状态进行动态伪标记。实验结果表明,Ad CC算法在常用的公共数据集上实现了最先进的性能。(3)秉持着表示学习和聚类任务相互促进的观点,对于自监督学习下的表示学习给聚类任务带来的性能提升以及聚类任务作为一种辅助任务对无监督视觉特征质量的提升做了大量的对比实验、消融实验以及可视化实验来佐证此观点。

关键词：图像聚类卷积神经网络自监督学习无监督学习对比学习