CVPRDec, 2013

自适应概念学习的 Web 图像校正自组织映射

PDF
TL;DR本文提出了一种从嘈杂的 Web 图像搜索结果中自动学习概念的方法，旨在通过发现子集间共同特征并消除无关实例的方法，基于弱标签数据集学习更高层次的概念，并提出了一种名为 Rectifying Self Organizing Maps (RSOM) 的聚类和离群点检测方法。该方法在学习低级别概念的任务上优于现有研究，而且在学习高级别概念方面也极具竞争力，并且能够利用现有资源在大规模上无监督地工作。
learningweb image searchhigher level conceptsclusteringoutlier detection
发现论文，激发创造
  • LSROM：用于快速非平衡流数据聚类的学习自我改进组织映射

    提出了一种名为学习自我优化组织图（LSROM）的高效方法来处理不平衡的流数据聚类问题，该方法通过构建和细化自组织映射（SOM）来表示全局数据分布，并通过快速检索进行高效的微簇合并，以获得正确的不平衡聚类数，并且时间复杂度低，准确性竞争力强。

    Apr, 2024

  • 使用自组织记忆模块学习网络数据

    本文提出了一种新颖的方法，通过多实例学习框架将同一类别的 ROIs (即图像及其区域提议) 分组，并基于其最近集群的代表性 / 差异性分数分配不同的权重来处理噪声问题，包括标签噪声和背景噪声，并将记忆模块与分类模块自然集成在一起，取得了令人满意的性能。

    Jun, 2019

  • 利用自组织映射在神经网络中寻找概念表示

    神经网络学习过程中，通过自组织映射可以视觉和计算地检测神经网络各层激活向量与抽象概念之间的对应关系，并且相对熵可以用作一种合适的方法来识别和定位概念的神经表示，实现概念的可视化并理解其在解决预测任务中的重要性。

    Dec, 2023

  • 一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

    本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

    Aug, 2018

  • 基于神经仿生无任务无监督在线学习的自维持映射模型

    持续学习中的难题是灾难性遗忘，特别是在人工神经网络（ANNs）等无监督架构中，我们提出了一种称为连续自组织映射（CSOM）的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习，在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。

    Feb, 2024

  • 非欧几里得自组织映射

    本文提出了一种应用于非欧式几何的 SOM 算法，其拓扑相关扩展改善了传统 SOM 算法，可用于维度约简、聚类或在大数据中寻找相似性。

    Sep, 2021

  • 使用自组织映射进行离群值检测的自动化血细胞分析

    本文针对医学数据集中的异常检测问题，采用自组织映射法 (Self-Organizing Maps) 基于量化误差和距离地图进行无监督学习。结果表明，相对于手动指定的过滤器，自组织映射法在该数据集上的无监督异常检测的效果相当。此外，该方法在医学数据集的清理和探索中也显示出了很好的表现。未来研究可考虑将自组织映射法与深度学习相结合。

    Aug, 2022

  • LSOR：纵向一致的自组织表征学习

    通过使用自组织映射 (SOM) 可视化深度学习模型生成的高维潜空间，我们提出了一种基于自监督学习的方法，通过对老年病人的长期脑部磁共振成像进行高维可解释性表达，实现了对脑龄分层的有效研究，并在临床操作中取得了可比较或更高的准确性。

    Sep, 2023

  • 利用自组织映射（SOMs）对等离子体子团不稳定性的完全动力学模拟进行无监督分类

    本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

    Apr, 2023

  • 自组织映射中的拓扑投影最小监督学习

    我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。

    Jan, 2024