發(fā)布時間：2025-02-27 19:21

　　如今,數(shù)據(jù)聚類是許多領(lǐng)域的基本問題,例如機(jī)器學(xué)習(xí),模式識別,計(jì)算機(jī)視覺,數(shù)據(jù)壓縮等,而圖像聚類作為圖像領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù),有著很重要的研究價值和應(yīng)用前景。隨著人工智能技術(shù)的迅速發(fā)展,深度學(xué)習(xí)在圖像等相關(guān)領(lǐng)域發(fā)揮著重要的作用,因此本文主要研究了無監(jiān)督深度學(xué)習(xí)嵌入式聚類問題上的應(yīng)用,提出了基于Sliced-Wasserstein距離的深度自編碼嵌入式聚類算法;其次又提出了基于自監(jiān)督Pretext task和噪聲對比損失的深度嵌入式聚類算法。具體兩種算法創(chuàng)新思路和主要工作如下:基于Sliced-Wasserstein距離的深度自編碼嵌入式聚類算法。由于常規(guī)的自編碼器無法約束隱變量特征空間導(dǎo)致聚類性能差,為此本文將Sliced-Wasserstein距離應(yīng)用到聚類自編碼網(wǎng)絡(luò)框架中,不僅能夠保持Wasserstein距離的優(yōu)勢,還能夠通過Sliced-Wasserstein距離約束隱變量特征空間,在限定空間中利用軟分配實(shí)施聚類,優(yōu)化圖像無監(jiān)督嵌入式聚類的性能。在MNIST、Fashion MNIST以及USPS數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示,本文所提出的算法在無監(jiān)督聚類精度(ACC)和標(biāo)準(zhǔn)化互信息(NM...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 圖像聚類的國內(nèi)外研究現(xiàn)狀
        1.2.1 無監(jiān)督聚類算法研究現(xiàn)狀
        1.2.2 半監(jiān)督聚類算法研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容和章節(jié)安排
第2章 基于Sliced-Wasserstein距離的深度自編碼嵌入式聚類
    2.1 引言
    2.2 Wasserstein距離的定義與求解計(jì)算方法
        2.2.1 Wasserstein距離
        2.2.2 Wasserstein距離與常見距離之間的區(qū)別
        2.2.3 Wasserstein距離與最優(yōu)傳輸理論之間的關(guān)系
        2.2.4 Wasserstein距離的求解計(jì)算方法
            2.2.4.1 熵正則化方法
            2.2.4.2 Bregman-ADMM算法
            2.2.4.3 Sliced-Wasserstein距離的求解計(jì)算方法
    2.3 SWAE嵌入式聚類
        2.3.1 基于SWAE的嵌入式聚類網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 聚類模塊
            2.3.2.1 軟分配損失優(yōu)化
            2.3.2.2 Sliced-Wasserstein估計(jì)損失優(yōu)化
        2.3.3 SWAE嵌入式聚類的訓(xùn)練、測試
    2.4 實(shí)驗(yàn)仿真及結(jié)果分析
        2.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        2.4.2 實(shí)驗(yàn)評價指標(biāo)
        2.4.3 實(shí)驗(yàn)平臺及參數(shù)設(shè)定
        2.4.4 實(shí)驗(yàn)結(jié)果
        2.4.5 實(shí)驗(yàn)參數(shù)分析
    2.5 本章小結(jié)
第3章 基于自監(jiān)督Pretext task和噪聲對比損失的深度嵌入式聚類
    3.1 引言
    3.2 經(jīng)典自監(jiān)督Pretext task的常用方法
        3.2.1 通過預(yù)測圖像旋轉(zhuǎn)的無監(jiān)督特征表示學(xué)習(xí)
        3.2.2 通過上下文編碼器的無監(jiān)督特征表示學(xué)習(xí)
        3.2.3 通過對比預(yù)測編碼的無監(jiān)督特征表示學(xué)習(xí)
    3.3 對比損失約束應(yīng)用算法
        3.3.1 Contrastive Loss約束
        3.3.2 Triple Loss約束
    3.4 聯(lián)合噪聲對比損失的自監(jiān)督深度嵌入式聚類
        3.4.1 基于自監(jiān)督Pretext task的嵌入式聚類網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 構(gòu)造噪聲對比損失約束
        3.4.3 嵌入式聚類模型的訓(xùn)練和測試
    3.5 實(shí)驗(yàn)仿真及結(jié)果分析
        3.5.1 實(shí)驗(yàn)平臺及參數(shù)設(shè)定
        3.5.2 實(shí)驗(yàn)結(jié)果
        3.5.3 實(shí)驗(yàn)參數(shù)分析
    3.6 本章小結(jié)
第4章 總結(jié)和展望
    4.1 總結(jié)
    4.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號：4034401