L'apprentissage non supervisé est une branche de l'apprentissage automatique qui analyse les données sans réponses marquées. Dans le traitement des images, il aide à identifier les modèles, les regroupements et les fonctionnalités dans les grands ensembles de données des images. Cette approche est utile pour les tâches où les données marquées sont rares ou indisponibles.

Techniques de traitement d'images non supervisées

Plusieurs techniques sont utilisées pour mettre en œuvre l'apprentissage non supervisé dans le traitement des images. Les algorithmes de regroupement, tels que les moyennes K et les regroupements hiérarchiques, regroupent des images ou des régions similaires dans les images. Les méthodes de réduction de dimensionnalité comme l'analyse des composants principaux (APC) simplifient les données en réduisant les fonctionnalités tout en conservant les informations essentielles.

Calculs et métriques

Les calculs dans l'apprentissage non supervisé impliquent souvent la mesure de la similitude ou de la distance entre les points de données. Les mesures communes incluent la distance euclidienne et la similitude cosinusale. Les algorithmes de regroupement utilisent ces mesures pour attribuer des données à des groupes.

Exemples de monde réel

Dans le domaine de l'imagerie médicale, il aide à segmenter les tissus et à détecter les anomalies sans étiquette préalable. Dans le domaine de la reconnaissance faciale, il regroupe des visages semblables pour l'identification. L'analyse d'images satellitaires utilise des techniques non supervisées pour classer les types de couverture terrestre et surveiller les changements environnementaux.