论模糊均值漂移过程的收敛性和一致性
该研究分析了模糊均值漂移(BMS)算法作为优化过程的收敛性质,并提供了即使数据点序列收敛到多个点,产生多个聚类的收敛保证,同时还利用了收敛点的几何特征来展示 BMS 算法的快速收敛。
Feb, 2024
本文研究了平均漂移算法中核密度估计模态的收敛性问题,通过 Lojasiewicz 不等式证明了模态的收敛性和收敛速度,该结论对基于核密度估计模态估计的非负核函数具有重要的理论参考价值。
May, 2023
本文讨论了基于核密度估计和均值漂移算法的聚类方法及其理论,包括模糊和非模糊均值漂移、高斯混合模型、与尺度空间理论、谱聚类等算法的联系,以及对大型数据集的加速策略和图像分割、去噪等应用。
Mar, 2015
本论文分析了 Epanechnikov Mean Shift 算法的收敛行为,提出了一种修正方案使其保证在有限次迭代内在估计密度的局部最大值处结束,而无需从每个数据点开始进行迭代,具有很好的聚类准确性。
Nov, 2017
本研究提出了一种基于随机版本均值漂移聚类算法,与确定性的均值漂移聚类相比,在合成的二维和三维数据集上进行了集群纯度和类数据纯度的比较,发现随机均值漂移聚类在大多数情况下优于确定性均值漂移。
Dec, 2023
本文提出了一种自然图像先验,直接代表了自然图像分布的高斯平滑版本,包括在基于 Bayes 估计量的图像恢复公式中,可用于解决噪声失真的图像恢复问题,利用去噪自编码器学习均值漂移向量场,再应用于 Bayes 风险最小化的梯度下降法,成功实现了媲美竞争者的噪声盲去模糊、超分辨率和去马赛克结果。
Sep, 2017
本文研究了基于 MAP 优化的盲反卷积方法,提出了一种改进的能量函数,更清晰地揭示了盲反卷积的工作方式,并且说明该能量函数在特定条件下实际上可以支持正确的解决方法,为比较不同的模糊核的质量提供了一种方法,并且在选择模糊核的大小、使用光线估计模糊核和估计焦点方面也有应用。
Nov, 2016
我们提出了一种简单而优雅的特征加权变体均值漂移算法,可有效学习特征的重要性,从而将均值漂移的优点扩展到高维数据,其不仅优于传统的均值漂移聚类过程,而且还保留了计算上的简单性。此外,所提出的方法具有严格的理论收敛保证和至少三次收敛速率。
Dec, 2020