快速变换一致性研究
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
本研究提出了一种新的方法,可以在良好的分布条件下估计任何密度函数的局部极大值,并可以估计所有这些局部极大值或模态集,适用于任何有界形状或维度,包括通常的点模式,并在聚类应用中表现出竞争力,并且在调整参数的范围内具有相当稳定性。
Jun, 2016
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
我们为Quick Shift聚类算法提供初始种子,以近似数据的局部高密度区域。这些种子作为比Quick Shift找到的单例模式更稳定和具有表现力的群集核心。 我们为这种修改建立了统计一致性保证。 然后,我们展示了在实际数据集上的强大群集表现,以及应用于图像分割的有前途的应用。
May, 2018
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
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
该研究提出了一种基于侧面信息学习数据聚类的新方法,使用自定义迭代神经网络实现Differentiable Mean Shift(DMS)进行聚类,该方法不需要知道聚类数量、中心点或任何距离度量,可在不同任务需要的情况下将相同的数据点分成不同的类别,且DMS在固有和非固有数据集任务中表现优异。
May, 2023
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
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
我们提出了一种名为对比均值漂移(CMS)学习的方法,该方法在泛化图像聚类问题中使用经典而强大的均值漂移算法,并结合对比学习框架,通过均值漂移和对比更新的迭代过程来训练图像编码器,以产生具有更好聚类特性的表示。实验证明,在六个公共泛化类别发现基准测试中,我们的方法无论是在已知或未知总聚类数的设置下,都取得了最先进的性能,而无需使用其他技巧或方法。
Apr, 2024