DenMune: 基于密度峰值的聚类算法,使用互相最近邻
通过整合基于模型和基于质心的方法,提出了一种高效且自动的聚类技术,解决噪声对聚类质量的影响,并确保无需提前指定聚类数的优点。在模拟和真实数据集上进行了严格评估和统计保证,表明我们提出的方法优于现有先进聚类算法。
Nov, 2023
通过密度和簇分配的概念,提出了一种 K-modes 目标函数算法,能够有效地聚类数据并找到有效的模式,相比于 K-medoids 和 mean-shift 更快且更加鲁棒。
Apr, 2013
该论文提出了一种基于密度的点云去噪方法,该方法使用粒子群优化技术来自动逼近多变量核密度估计的最优带宽,并使用均值漂移聚类技术通过阈值方案来除去离群点。去除离群点后,应用双边网格滤波来平滑剩余点。实验结果表明,该方法是鲁棒和有效的。
Feb, 2016
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
该论文提出了一种基于流形学习和张量正则化的聚类算法,不同于传统的基于 k-means 的方法,该算法通过构建距离矩阵来直接检测数据簇,同时应用于多视图数据中,证明了其优越性能。
May, 2023
从粗略标记的数据中发现细粒度类别是一项实用且具有挑战性的任务,本文提出了一种自我监督的框架 ——Denoised Neighborhood Aggregation (DNA),它能够将数据的语义结构编码到嵌入空间中,通过聚合邻居信息来学习紧凑的聚类表示,并能够捕捉到数据之间的语义相似性和形成紧凑的细粒度聚类。
Oct, 2023
本文提出了一种新颖的抗噪声深度度量学习算法,称为密度感知度量学习,其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性,并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析,表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。
Apr, 2019
该论文提出了一种基于数学形态学重构和启发式的聚类算法,k-Morphological Sets (k-MS),它比 CPU 并行的 k-Means 在最坏情况下更快,并产生更好的数据集可视化和非常独特的聚类。另外,k-MS 还可以有效地从图像或数据集中去除噪声,同时具有确定性和内在的最大聚类数量感。
Aug, 2022
本研究提出了一种基于聚类超球密度的方法,以解决之前使用的需要事先知道簇的数量的方法的合适性瓶颈,该方法可以在不依赖过多参数的情况下获得可靠且鲁棒的聚类结果。
Dec, 2019