Table of Contents
یادگیری بدون نظارت یک رویکرد یادگیری ماشینی است که شامل الگوریتم های آموزشی در داده های برچسب زده شده است.در تشخیص تصویر، این روش به شناسایی الگوها و ساختارهای بدون برچسب های پیش تعریف شده کمک می کند، و آن را برای مجموعه داده های بزرگ که برچسب گذاری غیر عملی است، مفید می کند.
روش های عملی در تشخیص تصویر بدون نظارت
چندین تکنیک معمولا در تشخیص تصویر بی سرپرست استفاده می شوند. الگوریتم های خوشه ای تصاویر مشابه را بر اساس ویژگی ها گروه می کنند، در حالی که روش های کاهش ابعاد داده ها را برای تجزیه و تحلیل ساده تر ساده می کنند. Autoencoders شبکه های عصبی هستند که نمایش داده های کارآمد را یاد می گیرند و به استخراج ویژگی کمک می کنند.
تکنیک های خوشه ای
روش های خوشه ای مانند K-means و خوشه بندی سلسله مراتبی تصاویر را بر اساس شباهت های بصری سازماندهی می کنند، این تکنیک ها برای وظایفی مانند کاتینگ تصویر و تشخیص ناهنجاری مفید هستند.
معیارهای عملکردی
ارزیابی مدل های تشخیص تصویر بدون نظارت شامل معیارهایی است که نیازی به داده های برچسب دار ندارند.معیارهای مشترک شامل نمره silhouette است که اندازه گیری می کند که چگونه نقاط داده خوب در خوشه های خود قرار دارند و شاخص داویس-Bouldin که تفکیک خوشه و جمع آوری را ارزیابی می کند.
- دانلود بازی Silhouette
- شاخص داوز-Bouldin Index
- شاخص Calinski-Harabasz
- خوشه خوشه ای | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | خوشه | | | | | | | | | | | | | | | | | | خوشه | | | | | | | | | |