Table of Contents
असुरक्षित सीखने एक मशीन लर्निंग दृष्टिकोण है जिसमें अनलेबल डेटा पर प्रशिक्षण एल्गोरिदम शामिल हैं। छवि मान्यता में, यह विधि पूर्वनिर्धारित लेबल के बिना पैटर्न और संरचनाओं की पहचान करने में मदद करती है, जिससे यह बड़े डेटासेट के लिए उपयोगी हो जाता है जहां लेबलिंग अव्यवहारिक है।
अनसुपरविज़्ड इमेज रिकॉग्निशन में प्रैक्टिकल तरीके
कई तकनीकों का उपयोग आमतौर पर असुरक्षित छवि मान्यता में किया जाता है। क्लस्टरिंग एल्गोरिदम सुविधाओं के आधार पर समान छवियों को समूहित करते हैं, जबकि आयामीता में कमी के तरीके आसान विश्लेषण के लिए डेटा को सरल बनाते हैं। ऑटोनकोडर तंत्रिका नेटवर्क हैं जो कुशल डेटा प्रतिनिधित्व सीखते हैं, फीचर एक्सट्रैक्शन में सहायता करते हैं।
क्लस्टरिंग तकनीक
के-मेंस और पदानुक्रमिक क्लस्टरिंग जैसे क्लस्टरिंग तरीकों से दृश्य समानता के आधार पर समूहों में छवियों का आयोजन किया जाता है। ये तकनीकें छवि वर्गीकरण और विसंगत पहचान जैसे कार्यों के लिए उपयोगी हैं।
प्रदर्शन मीट्रिक
असुरक्षित छवि मान्यता मॉडल का मूल्यांकन करने में उन मीट्रिक शामिल हैं जिन्हें लेबल डेटा की आवश्यकता नहीं है। आम मीट्रिक में सिल्हूट स्कोर शामिल है, जो यह मापता है कि कैसे अच्छी तरह से डेटा अंक अपने क्लस्टर के भीतर फिट होते हैं, और डेविस-बोल्डिन इंडेक्स, जो क्लस्टर अलगाव और कॉम्पैक्टनेस का आकलन करता है।
- सिल्हूट स्कोर
- डेविस-बोल्डिन इंडेक्स
- Calinski-Harabasz सूचकांक
- क्लस्टर पवित्रता