无监督学习是一种机器学习方法,它涉及对未标记数据的培训算法。在图像识别中,这种方法帮助识别模式和结构,没有预先定义的标签,使得它对于标签不切实际的大型数据集有用。

未经监督的图像识别实用方法

几种技术通常用于无监督的图像识别. 集群算法基于特征将相似的图像分组,而维度减小方法简化数据以方便分析. 自动编码器是学习高效数据表示的神经网络,协助特征提取.

集群技术

K- 意思和分级分组等集群方法根据视觉相似性将图像组织成组,这些技术对于图像分类和异常检测等任务很有用.

性能测量

评估不受监督的图像识别模型涉及不需要标签数据的计量标准。 常见的计量标准包括:Silhouette分数(衡量数据点在组群内是否适合)和Davies-Bouldin指数(评估组群分离和紧凑性)。

  • 圆筒分数
  • 戴维斯-布尔丁指数
  • 卡林斯基-哈拉巴斯兹指数
  • 组群纯度