如今,數(shù)據(jù)聚類(lèi)是許多領(lǐng)域的基本問(wèn)題,例如機(jī)器學(xué)習(xí),模式識(shí)別,計(jì)算機(jī)視覺(jué),數(shù)據(jù)壓縮等,而圖像聚類(lèi)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?jī)r(jià)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(wú)監(jiān)督深度學(xué)習(xí)嵌入式聚類(lèi)問(wèn)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(lèi)算法;其次又提出了基于自監(jiān)督Pretext task和噪聲對(duì)比損失的深度嵌入式聚類(lèi)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(lèi)算法。由于常規(guī)的自編碼器無(wú)法約束隱變量特征空間導(dǎo)致聚類(lèi)性能差,為此本文將Sliced-Wasserstein距離應(yīng)用到聚類(lèi)自編碼網(wǎng)絡(luò)框架中,不僅能夠保持Wasserstein距離的優(yōu)勢(shì),還能夠通過(guò)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(lèi),優(yōu)化圖像無(wú)監(jiān)督嵌入式聚類(lèi)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(wú)監(jiān)督聚類(lèi)精度(ACC)和標(biāo)準(zhǔn)化互信息(NM...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)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(lèi)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 無(wú)監(jiān)督聚類(lèi)算法研究現(xiàn)狀
        1.2.2 半監(jiān)督聚類(lèi)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(lèi)
    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(jiàn)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(lèi)
        2.3.1 基于SWAE的嵌入式聚類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 聚類(lèi)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(lèi)的訓(xùn)練、測(cè)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(píng)價(jià)指標(biāo)
        2.4.3 實(shí)驗(yàn)平臺(tái)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(duì)比損失的深度嵌入式聚類(lèi)
    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(guò)預(yù)測(cè)圖像旋轉(zhuǎn)的無(wú)監(jiān)督特征表示學(xué)習(xí)
        3.2.2 通過(guò)上下文編碼器的無(wú)監(jiān)督特征表示學(xué)習(xí)
        3.2.3 通過(guò)對(duì)比預(yù)測(cè)編碼的無(wú)監(jiān)督特征表示學(xué)習(xí)
    3.3 對(duì)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(duì)比損失的自監(jiān)督深度嵌入式聚類(lèi)
        3.4.1 基于自監(jiān)督Pretext task的嵌入式聚類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 構(gòu)造噪聲對(duì)比損失約束
        3.4.3 嵌入式聚類(lèi)模型的訓(xùn)練和測(cè)試
    3.5 實(shí)驗(yàn)仿真及結(jié)果分析
        3.5.1 實(shí)驗(yàn)平臺(tái)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(hào)：4034401