發(fā)布時間：2025-02-27 19:21

　　如今,數據聚類是許多領域的基本問題,例如機器學習,模式識別,計算機視覺,數據壓縮等,而圖像聚類作為圖像領域中的一項關鍵技術,有著很重要的研究價值和應用前景。隨著人工智能技術的迅速發(fā)展,深度學習在圖像等相關領域發(fā)揮著重要的作用,因此本文主要研究了無監(jiān)督深度學習嵌入式聚類問題上的應用,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致聚類性能差,為此本文將Sliced-Wasserstein距離應用到聚類自編碼網絡框架中,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數據集上的實驗結果顯示,本文所提出的算法在無監(jiān)督聚類精度(ACC)和標準化互信息(NM...

【文章頁數】：66 頁

【學位級別】：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 圖像聚類的國內外研究現狀
        1.2.1 無監(jiān)督聚類算法研究現狀
        1.2.2 半監(jiān)督聚類算法研究現狀
    1.3 本文研究的主要內容和章節(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)傳輸理論之間的關系
        2.2.4 Wasserstein距離的求解計算方法
            2.2.4.1 熵正則化方法
            2.2.4.2 Bregman-ADMM算法
            2.2.4.3 Sliced-Wasserstein距離的求解計算方法
    2.3 SWAE嵌入式聚類
        2.3.1 基于SWAE的嵌入式聚類網絡結構
        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估計損失優(yōu)化
        2.3.3 SWAE嵌入式聚類的訓練、測試
    2.4 實驗仿真及結果分析
        2.4.1 實驗數據集
        2.4.2 實驗評價指標
        2.4.3 實驗平臺及參數設定
        2.4.4 實驗結果
        2.4.5 實驗參數分析
    2.5 本章小結
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 經典自監(jiān)督Pretext task的常用方法
        3.2.1 通過預測圖像旋轉的無監(jiān)督特征表示學習
        3.2.2 通過上下文編碼器的無監(jiān)督特征表示學習
        3.2.3 通過對比預測編碼的無監(jiān)督特征表示學習
    3.3 對比損失約束應用算法
        3.3.1 Contrastive Loss約束
        3.3.2 Triple Loss約束
    3.4 聯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的嵌入式聚類網絡結構
        3.4.2 構造噪聲對比損失約束
        3.4.3 嵌入式聚類模型的訓練和測試
    3.5 實驗仿真及結果分析
        3.5.1 實驗平臺及參數設定
        3.5.2 實驗結果
        3.5.3 實驗參數分析
    3.6 本章小結
第4章 總結和展望
    4.1 總結
    4.2 展望
致謝
參考文獻
附錄



本文編號：4034401