Unsupervised Learning은 unlabeled data에 대한 교육 알고리즘을 포함하는 기계 학습 접근법입니다. 이미지 인식에서, 이 방법은 사전 정의 라벨없이 패턴과 구조를 식별하는 데 도움이되며 라벨링이 실습되는 대형 데이터셋에 유용합니다.

Unsupervised Image Recognition의 실제 방법

여러 기술은 일반적으로 보이지 않는 이미지 인식에서 사용됩니다. 기능에 따라 클러스터링 알고리즘 그룹 유사한 이미지, 치수 감소 방법 쉽게 분석을위한 데이터를 단순화하는 동안. Autoencoders는 효율적인 데이터 표현을 배우는 신경 네트워크, 기능 추출에 대한 인도.

의욕구 기술

K-means와 hierarchical 클러스터링 같은 클러스터링 방법은 시각적 유사성을 기반으로 그룹으로 이미지를 구성합니다. 이 기술은 이미지 투과 및 무독성 탐지와 같은 작업을 위해 유용합니다.

성능 미터

비 감독되지 않은 이미지 인식 모델을 평가하는 것은 라벨이 붙은 데이터를 필요로하지 않는 미터를 포함합니다. 일반적인 미터는 클러스터 내에서 잘 데이터 포인트를 측정하는 실루엣 점수를 포함하며 클러스터 분리 및 조밀함을 평가하는 Davies-Bouldin 인덱스를 측정합니다.

  • Silhouette 점수
  • Davies-Bouldin 인덱스
  • Calinski-Harabasz 인덱스
  • 클러스터 순수성