Advertisement

DMTC：深度多任务聚类，用于无监督图像分类

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
DMTC（Deep Multi-Task Clustering）是一种先进的无监督学习技术，专为图像分类设计。它通过同时执行多种相关任务来提高模型在复杂数据集上的性能和鲁棒性，从而实现更精确的聚类结果。 DMTC（深度多任务聚类）能够实现无监督的图像分类。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • DMTC：深度多任务聚类，用于无监督图像分类
    优质
    DMTC（Deep Multi-Task Clustering）是一种先进的无监督学习技术，专为图像分类设计。它通过同时执行多种相关任务来提高模型在复杂数据集上的性能和鲁棒性，从而实现更精确的聚类结果。 DMTC（深度多任务聚类）能够实现无监督的图像分类。
  • dec-tensorflow: 使用TensorFlow实现“用于聚类分析的无监督深度嵌入”
    优质
    dec-tensorflow项目利用TensorFlow框架实现了一种新颖的无监督深度学习方法，专门设计用来生成适用于聚类分析的高效数据表示。此模型通过自动编码器架构从原始高维数据中提取有意义的低维特征向量，从而增强了复杂数据集中的模式识别能力。 Tensorflow中的深度嵌入聚类（DEC）的TensorFlow实现。 安装： ``` pip3 install -r requirements.txt ``` 训练使用方法: ```python usage: train.py [-h] [--batch-size BATCH_SIZE] [--gpu-index GPU_INDEX] optional arguments: -h, --help 显示帮助信息并退出 --batch-size BATCH_SIZE 训练批次大小 --gpu-index GPU_INDEX GPU索引号 可视化推理： inference.py返回潜在表示形式（$z$），并导出文件为z.t。 ```
  • DeepCluster: 用于视觉特征无监督学习的深度聚类-源码
    优质
    DeepCluster是一款利用深度聚类技术进行视觉特征无监督学习的开源代码库。它通过大规模数据上的自组织能力，有效提取图像深层次语义信息，促进计算机视觉领域的发展。 我们发布了一种新的自我监督方法SwAV，在ImageNet上使用ResNet-50进行无监督学习的性能仅比有监督的学习低1.2%。该方法结合了在线聚类和多作物数据增强技术。此外，还推出了DeepCluster-v2，这是DeepCluster的一个改进版本（包括更好的数据增强、余弦学习速率表等）。深度集群代码实现了卷积神经网络或卷积网络的无监督训练，并且遵循论文所述的方法。我们还提供了用于评估协议的代码：Pascal VOC分类激活线性分类实例级图像检索。 最后，该代码还包括一个可视化模块，可以用来以可视方式评估学习到的功能的质量。使用此代码需要安装Python版本2.7、SciPy和scikit-learn软件包以及PyTorch版本0.1.8，并且推荐使用CUDA 8.0环境。
  • e4_matlab_遥感图像的无监督分类_图像分类_遥感_
    优质
    本项目使用MATLAB进行遥感图像的无监督分类研究，探索无需先验知识情况下的图像自动识别技术，旨在提升图像分类精度和效率。 对遥感图像进行无监督分类时，在程序中可以将其分为三类，用户可以根据需要自行调整分类数量。
  • 基于Python的不变信息聚类在无监督图像分类与分割中的应用
    优质
    本研究探讨了利用Python实现的不变信息聚类方法，在无需标签指导的情况下，对图像进行有效分类和分割的应用。通过提取具有不变性的特征，该技术能够增强模式识别能力，并提高算法鲁棒性，为无监督学习领域提供了一种创新解决方案。 该存储库包含用于无监督图像分类和分割的不变信息聚类（IIC）的PyTorch代码。IIC是一种无需标签即可训练神经网络进行图像分类和分段的方法，其在语义准确性方面达到了最先进的水平。通过使用这种方法，在多个数据集上取得了显著成果，包括无监督版本的STL10、CIFAR10、CIFAR20、MNIST以及有监督/半监督条件下的Potsdam等，并且刷新了9项记录。
  • 监督分类_IDL监督分类_IDL_监督分类
    优质
    本项目聚焦于IDL（Iterative Dictionary Learning）在监督分类中的应用研究，探索如何通过迭代字典学习优化特征表示，提升分类准确率。 利用IDL编程，采用最小距离法对图像进行监督分类。
  • 基于MATLAB的图像监督分类
    优质
    本研究利用MATLAB平台进行图像监督分类，通过训练模型识别和分类图像中的特定对象或区域，提高分类精度与效率。 使用MATLAB读取通过ENVI软件选取的训练样本和测试样本，并利用最小距离分类方法生成混淆矩阵，进而计算总体准确性（OA）和Kappa系数。
  • EM算法Matlab代码-ImageSeg：利用聚类进行无监督图像分割
    优质
    本项目提供了一段基于EM算法的Matlab代码，用于实现无监督图像分割任务。通过聚类分析技术自动识别和分离图像中的不同区域或对象。 本段落讨论了使用EM算法的Matlab代码进行无监督图像分割，并将该方法与K均值聚类的结果进行了比较。主要代码位于文件`code.m`中，而高斯模型的相关函数则在另一个名为`GMmodel.m`的文件里实现。通过这两种不同的聚类技术来分析和理解它们各自的特点以及在实际应用中的表现差异。
  • Matlab灰度阈值分割程序-ChaetocerosImgSeg：Chaetoceros图像的无监督像素分类
    优质
    ChaetocerosImgSeg是一款基于MATLAB开发的灰度阈值分割工具，专为Chaetoceros（藻类）图像处理设计，实现自动化、无监督的像素级分类。 在MATLAB环境中实现角毛藻Chaetoceros图像的无监督像素分类阈值分割代码。有关的新数据集以及所有相关的实验结果可以从相关文献中获取。 参考如下： 1. L.-C.Chen, G.Papandreou, I.Kokkinos, K.Murphy和A.L.Yuille，“Deeplab：具有深度卷积网络、多Kong卷积与全连接条件随机场的语义图像分割”，arXiv:1606.00915，2016年。 2. H.Zheng, H.Zhao, X.Sun, H.Gao和G.Ji，“毛角藻显微图像自动刚毛分割技术的研究”，《显微镜研究与技术》，卷77，第9期，页码684-690，2014年。 3. J.Canny，“边缘检测的变分方法”，AAAI人工智能会议论文集，1983年，54-58页。 4. N.Otsu, 一种基于灰度直方图阈值选择的方法, IEEE Transactions on Systems, Man and Cybernetics, 卷 9，第 1期，62-66页，2007年。
  • mall_customers_: 采用KMeans进行无监督聚类学习
    优质
    本项目利用KMeans算法对商场客户数据进行无监督聚类分析，旨在识别并细分不同的顾客群体，为市场营销策略提供支持。 这段代码应用了机器学习技术中的K-means聚类方法。使用的数据来自Kaggle平台。该代码包括数据准备、可视化以及使用kmeans进行聚类的过程，并通过“在群集平方和内”和“Silhouette_score”度量来寻找最佳的聚类数量（即最优的K值）。