Mar, 2024

研究尼洛尔牛视觉评分归因中的聚类分析

PDF
TL;DR通过人工视觉检验来评估牛的生物类型是精确牛育种中一种常见且重要的实践。本文介绍了对内罗尔牛得分与从图像或其他仪器中得出的各种测量结果之间的相关性分析结果，并提出了使用 K 均值算法来生成与动物体重和视觉得分最相关的测量结果对一批牛进行聚类的研究。
precision cattle breedingbiotype assessmentcorrelation analysisk-means algorithmclustering
发现论文，激发创造
  • 图像解释的分类评估指标：构建可靠的可解释性人工智能评估

    计算机视觉模型的决策过程（尤其是深度神经网络）的不透明性意味着这些决策无法被人类理解。因此，在过去几年中，已经提出了许多提供人理解解释的方法。本文针对图像分类开发了新的评估指标，并对常见的显著性方法在 ImageNet 上进行了基准测试。此外，还提出了一种基于心理测评概念的可靠性评估方案。

    Jun, 2024

  • 可解释聚类与可区分性标准

    基于全局的可区分性准则，本文提出了用于验证聚类分析结果以及确定数据集中聚类数量的方法，并将该准则与常用的聚类方法进行了整合，包括层次聚类、k-means 和有限混合模型。通过模拟研究和实际数据应用，我们展示了这些新算法的结果。

    Apr, 2024

  • 聚类分析中的形状复杂性

    利用多维数据的形状复杂度概念，应用在特定的非线性函数上，制定了一种新的 “中等距离” 下的基于约束的非线性规划问题，从而探索更有效的聚类缩放因子数量的方法。

    May, 2022

  • 基于结构化图像的快速聚类方法，用于可扩展的统计分析

    本文旨在通过探究基于快速聚类的交替方案，用于替代耗时的函数评估来降低记忆需求，从而处理大规模的脑成像数据。结果表明，基于聚类的压缩在提高之后的估计步骤的精度方面有良好的效果，能够用于分析大型数据集。

    Nov, 2015

  • 基于数据分布的图像聚类算法

    通过使用大数定律重新衍生出的 “对比损失”，我们将其重新解读为一种 “福音”，这种现象使得分布的实例集中在一个狭窄的 “超壳” 上，从而实现数据点的聚类，并且能够从未组织的数据中寻找模式。

    Apr, 2018

  • 关于视觉解释的定量评估的一致性

    研究神经网络的预测可视化解释，并评价这些解释的好坏。其中，绝大多数评价方法使用 ImageNet-1k 和人工检测评估结果，结果表明评价方法之间缺乏一致性。同时，解释的稀疏性对评价方法的表现具有显著影响。

    Feb, 2023

  • 利用 Fisher 可分析性估算大型生物数据集的有效维度

    通过分析数据点的可分离性，我们测试了一种最近引入的维数估计器，该估计器在多个基准测试和真实生物数据集上具有与最先进的度量相竞争的性能，并允许在内在嵌入假设不成立的情况下估计内在维数。

    Jan, 2019

  • 通过众包评估自然语言处理中的显著性解释

    通过众包方法，我们提出了一种新的基于人类的自然语言处理（NLP）显著性方法评估方法，对七种显著性方法在两个数据集上进行了实证评估，与现有的自动评估方法进行了对比，发现了 NLP 和计算机视觉（CV）领域在使用显著性方法时存在显著差异。

    May, 2024

  • 一种用于评估和结合多种数据可视化的光谱方法

    本文提出了通过谱方法评估和组合由多个算法产生的数据集的多个可视化的有效方法，并提高了捕捉底层真实数据结构的质量。

    Oct, 2022

  • 聚类算法的指标对无关特征的敏感性

    聚类算法在数据分析中被广泛使用，本文研究了加入无关特征对聚类结果的影响，并发现 Silhouette 系数和 Davies-Bouldin 分数对无关特征最为敏感，因此可用于无监督聚类任务中的特征选择。

    Feb, 2024