May, 2018

Quickshift++: 基于样本的均值漂移确证好的初始化

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 图像分割的快速平面互相关聚类

    本文提出了一种基于加权完美匹配的优化方案，用于在平面图中查找高质量的相关聚类，该方法提供了通常易于计算且实践中紧密的最优关联聚类的下限。作者在问题上演示了他们的算法，该方法在最小化目标方面优于现有的全局优化技术，并在产生高质量分割方面与现有技术具有竞争力。

    Aug, 2012

  • 集群关闭的快速近似$k$均值算法

    本文提出了一种新的近似k-means算法，采用多个随机空间分区树将数据预先组装成相邻点的组，并使用邻域信息构造每个簇的闭合形式，从而在分配步骤中只需考虑少量簇的候选项，证明该方法在聚类质量和效率方面优于现有的近似k-means算法。

    Dec, 2013

  • 一篇聚类算法的均值漂移综述

    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

  • 快速变换一致性研究

    利用Quick Shift算法，根据较为温和的分布假设，提出了在模式和聚类恢复方面的有限样本统计一致性保证，然后应用这一结果来构建一致的模式回归算法。

    Oct, 2017

  • Epanechnikov 均值漂移的收敛性

    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

  • 基于无限混合原型的少样本学习

    通过无限混合原型提出一种适应性增强的聚类算法，可用于少样本学习，半监督学习和无监督聚类，而不仅仅是单个类簇，能够实现更准确和更鲁棒的结果。

    Feb, 2019

  • 基于特征加权均值漂移算法的高维数据自动聚类

    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

  • 草图与移动：一种强健的聚类压缩解码器

    压缩学习是一种新兴方法，通过首先将大规模数据集总结为低维度的草图向量，然后从这个草图中解码出学习所需的潜在信息，从而极大地减少大规模学习的内存占用。我们的研究旨在设计易于调优的算法（称为解码器），以稳健高效地提取这些信息，然后通过分析压缩聚类中的CL-OMPR算法的局限性，提出了一种改进方案，大大提高了信息提取的准确性和效率。

    Dec, 2023

  • 随机均值漂移聚类

    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

  • 模糊均值偏移的收敛性分析

    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