916157-大数据解决方案-clustering

原图 K-means
多尺度融合 mean shift
结论
简单易操作 自动化程度高 线性算法O(nk) 易采用并行计算
视觉相似性的尺度融合聚类
聚类结果展示
……
ei (x j )
t1 t 0.029 t
i
响应神经元
视觉相似性的尺度融合聚类
连接矩阵
ห้องสมุดไป่ตู้
C
021
202
A B
120
聚类过程的离散化
ei (x j )t1
ei (x j )t
1,
0,
if ei (x j )t 0 otherwise
视觉相似性的尺度融合聚类
聚类过程示例
视觉相似性的尺度融合聚类
基于尺度融合的大数据聚类算法
李春忠
纲要
问题的来源 基于视觉相似性的尺度融合聚类算法 结论
问题的来源
我们不关心点2到点1 的距离比点3到点1的
距离到底近多少
点4在小尺度下可看做噪声， 而在大尺度下是却是类成员
视觉系统最善于分辨“像”与“不像” 聚类不关心距离的精确差，差异是在特定尺度的描述 不同的尺度会有不同的结构信息
视觉相似性的尺度融合聚类
任一近邻点对当前点的放电强度：
ei (x j ) K (xi ; 1,
其中
(x)
1, 0,
, T )* (xj x) | x X
d (xi , x j )
{1 , ,T }
max m
d
(
xi
,
xm
)
x0 otherwise
刺激神经元
j
尺度的离散化：韦伯定律