Valvomaton oppiminen on koneoppimisen lähestymistapa, johon kuuluu koulutusalgoritmit merkitsemättömästä datasta. Kuvantunnistusmenetelmä auttaa tunnistamaan kuvioita ja rakenteita ilman ennalta määriteltyjä merkkejä, mikä tekee siitä hyödyllisen suurille tietokokonaisuuksille, joissa merkintä on epäkäytännöllinen.

Käytännön menetelmät valvomattoman kuvantunnistuksen

Useita tekniikoita käytetään yleisesti valvomattoman kuvantunnistuksen yhteydessä. Klusterointialgoritmit ryhmittelevät samanlaisia kuvia ominaisuuksien perusteella, kun taas dimensionaalisuuden vähentämismenetelmät yksinkertaistavat dataa helpommin analysoitavaksi. Autoenkoodaajat ovat hermoverkkoja, jotka oppivat tehokkaita datan lähetyksiä, auttavat ominaisuustiedon poiminnassa.

Klusterit

K-merkit ja hierarkkinen ryhmittely organisoi kuvat ryhmiksi, jotka perustuvat visuaalisiin yhtäläisyyksiin. Nämä tekniikat ovat hyödyllisiä esimerkiksi kuvakategoriointiin ja poikkeamien havaitsemiseen.

Suorituskykymittari

Valvomattomien kuvantunnistusmallien arvioiminen edellyttää metrikoneita, jotka eivät vaadi tunnistettavia tietoja. Yhteisiin mittareihin kuuluvat siluettipisteet, jotka mittaavat, kuinka hyvin datapisteet sopivat niiden klustereihin, sekä Davies-Bouldin-indeksi, jossa arvioidaan klusterien erottelua ja tiivistymistä.

  • Silhouette pistemäärä
  • Davies-Bouldin-indeksi
  • Calinski-Harabasz Index
  • Klusterien puhtaus