检索结果-南通市图书馆

检索条件"主题词=视觉词元过滤"

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：

基于分块学习的多任务图像聚类算法研究

基于分块学习的多任务图像聚类算法研究

引用

作者：田中瑶河北大学

学位级别：硕士

深度多任务图像聚类致力于结合深度学习技术来联合处理多个聚类任务,利用深度神经网络的非线性学习能力发现不同图像聚类任务之间的相关性,以增强每个任务中的聚类结果。目前,多任务深度图像聚类方法通常依赖于传统的深度卷积神经网络... 详细信息

深度多任务图像聚类致力于结合深度学习技术来联合处理多个聚类任务,利用深度神经网络的非线性学习能力发现不同图像聚类任务之间的相关性,以增强每个任务中的聚类结果。目前,多任务深度图像聚类方法通常依赖于传统的深度卷积神经网络和迁移学习技术,在辅助聚类后直接将模型参数传递给各个任务,从而促进任务间的信息共享。尽管这种方法能够有效挖掘任务之间的相关性,但是,它们忽略了图像中冗余信息和噪声区域的影响,从而导致聚类结果并不理想。为了解决这一问题,本文针对深度多任务图像聚类算法进行了研究,主要工作如下:1.提出了基于注意力机制的图像块过滤的深度多任务图像聚类算法,该算法通过划分样本为多个图像块,并将每个块视为一个单词,从而把每个图像样本看作一篇文章,确定图像所属簇的过程可类比于对文章进行分类。在聚类过程中,针对图像样本中的局部特征设计了权重估计模块,利用此模块对关键图像块过滤器所提取的图像块进行不同类别重要性的评估,使其能够挖掘任务间相似类别样本的相关性。在每个任务中,依据图像样本中包含的图像块对不同类别所具有的权重,获得更优的簇划分结果。2.在所提出的算法的基础上,提出了一种由深度注意力引导的视觉词元过滤的多任务图像聚类算法,对图像特征的提取方式与辅助聚类过程进行了进一步的优化。该算法在图像块划分的基础上,将图像块训练为视觉词元,通过注意力引导的视觉词元过滤后,利用过滤得到的视觉词元组建视觉词汇袋,然后由权重估计模块来评估不同视觉词汇对不同类别的贡献。对于辅助聚类过程,设计了监督信息动态优化策略,解决了使用深度神经网络进行图像聚类任务时缺乏监督信息的问题。3.选取NUS-Wide、Pascal VOC、Caltech-256和Cifar-100四个公开图像数据集对提出的聚类算法进行了实验。实验结果表明提出的算法能够有效降低图像样本中所包含的冗余信息及噪声区域的影响,同时,利用任务间的相关信息获得较好的聚类结果。通过定量对比实验,结果表明提出的方法性能优于所选取的其它基线方法,进一步验证了该方法的有效性。

关键词：图像聚类深度聚类多任务聚类图像块过滤视觉词元过滤

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：