检索结果-南通市图书馆

检索条件"主题词=弱监督聚类"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

弱监督的深度子空间聚类研究

弱监督的深度子空间聚类研究

引用

作者：鲍兆强烟台大学

学位级别：硕士

深度子空间聚类DSC(Deep Subspace Clustering)是近年来提出的子空间聚类算法。DSC采用自动编码器AE(Auto Encoder)作为基础的网络结构,通过一系列的编码层将输入数据非线性地转换到低维的潜在空间,以抽取数据的潜在特征。基于潜在特征... 详细信息

深度子空间聚类DSC(Deep Subspace Clustering)是近年来提出的子空间聚类算法。DSC采用自动编码器AE(Auto Encoder)作为基础的网络结构,通过一系列的编码层将输入数据非线性地转换到低维的潜在空间,以抽取数据的潜在特征。基于潜在特征的聚类能更好地发现线性及非线性子空间。DSC不需要提供数据的先验信息,属于无监督学习。在面对实际的数据集时,用户或多或少会了解一些数据信息。这些信息可能是不完整的、不确切的和不准确的,是弱监督信息。如何将少量的弱监督信息有效嵌入聚类过程是值得研究的问题。本文以深度子空间聚类为基础,探讨将少量的真实标签信息和模糊标签信息嵌入到聚类过程中的方法,以期引导聚类过程得出更精确的聚类结果,提高DSC聚类的性能。本文主要工作如下:(1)提出基于伪标签纠正的半监督深度子空间聚类算法SCPC(Semi-supervised Deep Subspace Clustering Base on Pseudo-Label Correction)。首先,通过利用少量已知样本标签,对分类层产生的不精确伪标签进行匹配和纠正,以提高伪标签的精确性和稳定性;其次从已知样本标签中获得成对样本信息,通过对比学习对自表达系数矩阵进行约束来提高聚类的性能。在测试数据集上取得了比对比算法更好的结果。(2)提出带有模糊标签的自加权深度子空间聚类DSCF(Self-weighted Deep Subspace Clustering with Fuzzy Labels),用于发现具有少量模糊标签的数据集的子空间。在所提出的损失函数中,考虑数据对象的局部关系来重构输入数据,建立模糊标签和伪标签的一致性约束,并设计对象的自加权相似性函数来嵌入模糊标签。通过最小化损失函数来学习自表达系数矩阵,以联合优化重建误差和综合约束。算法中涉及到的模糊标签是不确切信息,也包含了不精确的标签信息。在多个图像数据集上的测试结果表明,DSCF算法的聚类性能比对比算法有优势。

关键词：子空间聚类弱监督聚类模糊标签深度学习对比学习

来源：

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：