Dec, 2021

VDPC: 变分密度峰聚类算法

PDF
TL;DR通过识别代表性点、构建初始聚类，再结合 DPC 和 DBSCAN 的优点，使用 VDPC 算法对不同密度分布的数据集进行系统的自动聚类
发现论文，激发创造
  • 通过 MPI 并行计算系统进行矩阵计算的密度峰聚类算法

    通过使用两种向量距离矩阵和反向领先节点发现策略，我们提出了一种忠实且并行的密度峰值聚类方法，该方法能够在聚类大规模欧几里得数据时显示出优越的准确性，并且能够聚类非欧几里得数据，例如在社区检测中。

    Jun, 2024

  • PaVa：一种基于路径的寻谷聚类算法

    本文提出了一种新颖的基于路径的寻谷聚类算法，用于处理形状任意的聚类，该算法利用路径距离（minmax 距离）将聚类之间的不规则边界转换为完美的球壳，然后寻找这些转换过的密度谷并提取聚类，最后实验表明该算法精确高效，适用于多个领域。

    Jun, 2023

  • DPC: 基于交叉自身构造的无监督深度点对应

    提出一种新的实时非刚性稠密点云对应的方法 Deep Point Correspondence，该方法基于结构形状构造，需要比以往技术少得多的训练数据并且具有更好的泛化能力。

    Oct, 2021

  • PECANN：基于图的近似最近邻搜索的并行高效聚类

    该研究论文通过抽象密度峰聚类算法中的关键步骤，如使用基于图的近似最近邻搜索（ANNS）方法来寻找满足预测函数的最近邻，提出了一种统一的框架 PECANN。通过在合成和真实数据集上评估，该方法在大规模高维度数据集上实现了高速的聚类效果，并在性能和准确性上超越了现有的算法。

    Dec, 2023

  • ADBSCAN: 自适应基于密度的空间聚类应用程序，用于识别具有不同密度的聚类

    提出一种自适应 DBSCAN 算法，用于在密度变化的情况下识别数据聚类，并发挥其噪声消除的能力。

    Sep, 2018

  • 一些基于密度的聚类技术概述

    本文研究了密度聚类方法以及其特点、优缺点，重点探究了其在不同类型数据集中挖掘有用和适当模式的适用性，具体讨论了 DBSCAN、OPTICS、DENCLUE 和 VDBSCAN 等方法。

    Jun, 2023

  • DBSCAN++：快速和可伸缩密度聚类

    提出了 DBSCAN ++ 密度聚类的简单改进方法，其只需要计算所选点的密度，可在大型数据集上提供与传统 DBSCAN 相媲美的性能和稳健性，同时运行时间很短。还证明了其在估计速率方面达到了最佳的极小极大值，这一质量可能是独立利益的。

    Oct, 2018

  • 高密度变化的 3D 点云语义分割

    本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

    Jul, 2023

  • 广义密度聚类

    本研究研究了广义密度聚类，提出了两种数据基础方法来选择波宽，并研究了密度聚类的稳定性，表明一种简单的基于图的算法可以成功地近似高密度聚类。

    Jul, 2009

  • LiDAR 3D 物体检测中的点密度感知体素

    提出了一种基于点密度感知的体素网络（PDV）方法，通过使用核密度估计和具有点密度位置编码的自注意力，通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明，PDV 在 Waymo 开放数据集上优于所有最先进的方法，在 KITTI 数据集上取得了竞争性的结果。

    Mar, 2022