VDPC: 变分密度峰聚类算法
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
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
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
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
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
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
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
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