企业官网建设流程全解析

济南网站建设和优化,wordpress上传安装,做网站自己申请域名还是建站公司,健身餐的网站怎么做使用监督学习训练图像聚类模型 在机器学习领域#xff0c;大多数模型都依赖于监督学习#xff0c;需要耗费高昂成本和时间来获取带标注的数据。无监督学习的主要方法——聚类#xff0c;旨在根据显著特征将数据点分组#xff0c;每个组#xff08;簇#xff09;代表一个类…使用监督学习训练图像聚类模型在机器学习领域大多数模型都依赖于监督学习需要耗费高昂成本和时间来获取带标注的数据。无监督学习的主要方法——聚类旨在根据显著特征将数据点分组每个组簇代表一个类别例如同一人物的照片或同一物种的动物图像。传统的聚类算法通常依赖启发式规则来决定簇之间的边界例如簇中心之间的阈值距离或簇的分布形状。在一篇提交给国际计算机视觉大会ICCV的论文中提出了一种新方法直接从数据中学习如何划分边界。核心方法分层图神经网络该方法首先将视觉数据表示为一个图其中每个节点代表一张图像每个节点与其在特征空间中的k个最近邻节点相连。然后使用一个图神经网络来生成图中节点的向量表示节点嵌入。与先前工作不同的是该方法不依赖启发式规则而是使用带标签的元训练数据来学习如何对这些向量进行聚类并决定聚类的精细程度。该方法的核心创新在于其分层处理方式。聚类模型基于节点嵌入预测节点之间的连接边共享边的节点组被定义为一个簇。完成一层聚类后将每个簇聚合成一个代表该簇的“超节点”然后在新的超节点图上重复整个过程构建k最近邻图通过GNN传递并预测超节点之间的连接边。这个过程迭代进行直到模型不再预测出新的连接边为止。模型训练与优势该聚类模型基于两个目标进行训练准确预测节点之间的连接正确的连接是指那些将元训练数据中同类型的两个代表例如同一演员的两张照片联系起来的边。准确预测局部数据密度对于每个节点模型需要预测其附近邻居中属于同类型的比例。通过单一模型联合预测连接和密度显著提高了计算效率。同时由于采用了分层处理方案模型可以优化整个输入图的聚类效果避免了先前方法中将图分割成子图再进行处理所带来的局限性。实验与结果在实验中使用两组不同的元训练数据一组是人类面部特写另一组是特定动物物种的图像。用训练好的面部模型在两个与训练集类别重叠极低0%和低于2%的数据集上进行测试用训练好的物种模型在一个包含未见过的物种的数据集上进行测试。结果显示与之前的基于GNN的聚类模型和无监督聚类方法相比该方法的F分数平均提升了49%和47%。这项正在进行的研究正在探索训练一个更通用的聚类模型的可能性以使其推理性能能够更好地跨不同数据类型例如同时精确聚类人脸和动物物种迁移。鸣谢Tianjun Xiao, Yongxin Wang, Yuanjun Xiong, Wei Xia, David Wipf, Zhang Zheng, Stefano Soatto更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享