DeepCluster: 用于视觉特征无监督学习的深度聚类-源码

5星

浏览量: 0

大小:None

文件类型：None

简介：
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。

全部评论 (0)

还没有任何评论哟~

客服

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。

基于EEG的情绪识别利用无监督深度特征学习

优质

本研究探讨了通过无监督深度学习技术从EEG信号中提取情绪相关特征的方法，以实现更准确、高效的情绪识别。基于EEG的情绪识别采用无监督深度特征学习方法。

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。

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）。

基于无监督学习的单目视觉深度估计在无人机自主飞行中的应用

优质

本研究探讨了利用无监督学习技术进行单目视觉深度估计，并将其应用于无人机自主飞行中，旨在提高无人飞行器在复杂环境下的导航与避障能力。针对双目视觉深度估计存在的成本高、体积大以及需要大量深度图进行监督学习训练的问题，本段落提出了一种面向无人机自主飞行的无监督单目深度估计模型。首先，为了减小不同尺寸目标对深度估计的影响，将输入图像进行金字塔化处理；其次，在图像重构方面设计一种基于ResNet-50进行特征提取的自编码神经网络，该网络根据输入的左视图或右视图生成对应的金字塔视差图，并采用双线性插值的方法重构出与其对应的金字塔右视图或左视图；最后为提高深度估计精度，将结构相似性引入到图像重构损失、视差图一致性损失中，并联合使用这些损失作为训练的总损失。实验结果表明，在KITTI数据集上经过充分训练后，该模型在KITTI和Make3D数据集中相比其他单目深度估计方法具有更高的准确性和实时性，基本满足了无人机自主飞行对深度估计准确性和实时性的要求。

ufldl-tutorial-python：用Python进行的斯坦福无监督特征学习与深度学习教程（更新版）

优质

ufldl-tutorial-python 是一个基于 Python 的资源库，提供斯坦福大学无监督特征学习和深度学习课程的最新教程和代码示例。斯坦福无监督特征学习和深度学习教程（新版）使用 Python 教程网站提供了查看此 repo 的 ipython 笔记本的方法。为简化起见，下面列出了所有笔记本的链接。

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。 ```

无监督学习中五种聚类算法的对比分析及源码

优质

本文对无监督学习中的五种主流聚类算法进行详细比较与分析，并提供相关源代码，便于读者理解和应用。 “无监督学习的中期工作.pdf”文件包含了关于五个不同聚类算法在无监督学习中的比较报告及结果分析。该文档详细探讨了各种方法之间的差异，并提供了详实的数据支持其结论。

K-means聚类算法在无监督学习中的应用-附件资源

优质

本资源深入探讨了K-means聚类算法在无监督学习领域的应用，通过实例分析展示了如何利用该算法进行数据分类和模式识别。包含相关代码和案例研究的详细讲解。无监督学习--K-means聚类算法学习相关资源

Deep_Matlab：在 MATLAB 中进行无监督深度学习

优质

Deep_Matlab是一份教程，专注于使用MATLAB开展无监督深度学习研究与应用。它为科研人员和工程师提供了一个探索数据驱动模型的有效途径。在 MATLAB 中运行无监督深度学习的脚本 train_deep_k_means.m 以获取示例运行。