有效和可概括的图论聚类在野外对面孔

文摘

聚类分组的任务标记脸图像根据个人身份。一些应用程序需要这种类型的聚类,例如,社会媒体,执法和监视应用程序。在本文中,我们提出一个有效的基于聚类方法在野外。该算法不需要数据的先验知识。这一事实增加了该方法的针对性接近市场解决方案。四个著名的数据集上进行的实验表明,我们的方案达到最先进的结果,对于集群性能,也为不同的值显示稳定的输入参数。此外,在这些实验中,结果表明,我们的建议发现大量的身份接近实数中存在的数据。

1。介绍

近年来广泛建立的视频监控系统和数十亿相机嵌入式的智能手机,面临来自图像分析任务为政府机构和行业越来越普遍。虽然面对分析一直是一个活跃的研究领域几十年来,大部分之前的工作是集中在面对验证/识别相对受限的环境中(例如,near-frontal姿势和控制照明条件下)(1,2]。

少研究集群面临的问题在不受约束的环境中。聚类分组的任务标记脸图像根据个人身份出现在数据。图1概述了如何面对集群工作流之后。必须面对集群面临几个挑战在无约束的场景中拍摄。在监视应用程序中,可用脸图像的质量通常很低,呈现任意姿态,光照的变化、遮挡,和低分辨率。

在本文中,我们提出一个有效的基于聚类方法在野外。获取表示,我们使用一个深卷积网络,特别是一个29-layer ResNet(从残余神经网络),生产128 -维描述符。为集群面临描述符,我们建议使用一个基于聚类算法的结果是后来为了加入均匀集群处理,可能是划分聚类步骤中,由输入图的稀疏造成的。

我们的建议的主要贡献是,没有假设所使用的数据。只需要一个阈值参数建立初始面图。关于这个阈值,我们四个著名的脸数据集上的实验表明,可以建议一个阈值,将提供聚类结果更接近最好的结果。这是该方法的一个重要的优势,在真实的应用程序中,通常没有带安全标签的数据时,参数可以被训练。身份的数量也发现了我们的建议是接近地面实况的身份相比,这些发现的其他评估算法,实现先进的聚类结果,以下几个评价措施。

剩下的纸是组织如下:部分2描述了一些有关和以前的工作面对聚类和基于聚类。后来,在节3,我们面临着详细的聚类方法。实验评价和比较的方法和先进的算法报告部分4。部分5总结了纸。

2。相关工作

2.1。面对集群

面对聚类分组的任务面临的潜在的身份。密切相关的人脸识别问题,但有一些基本的差异。在人脸识别中,目标是验证(1:1比较反对招生面临图像)或发现(1:N对一脸比较画廊)给定主题的身份,假设对象的身份在画廊/入学是预先知道。因此,人脸识别可以被视为一种监督分类的任务。相比之下,面对集群被认为是一种无监督分类问题因为没有带安全标签的数据。有些工作面对集群视为semisupervised集群,诸多限制,主要来自视频,可以转换成必须关联和cannot-link约束,后来用于提高面对集群(3,4,5]。而大量的工作已经进行人脸识别和数据聚类一般来说,面临的挑战问题集群是一个较少研究的主题,尤其是在处理大量图片和主题,也为无约束的情况。

曹et al。6)开发了一个张量脸图像聚类算法,可以处理出了不同的表情,灯饰,块遮挡,随机像素腐败,各种伪装。他们的方法首先找到一个低等级近似原始的张量数据使用一个L1-norm优化功能。然后,他们计算近似张量的高阶奇异值分解得到最终的聚类结果。作者制定的过程近似的框架与L1-norm张量主成分分析。

奥托et al。7)开发了一个版本的排序聚类算法的朱et al。8),利用一种近似最近邻方法提高可伸缩性和简化实际的聚类过程达到改善可伸缩性和集群性能。作者评估大规模集群性能结合标记面临在野外数据集与伦敦时装周开幕1.23亿张不带标签的图片(从网上下载)和集群增强数据集。同时,聚类结果视频帧利用YouTube脸上(YTF)数据库。

施等。4)提出了一种聚类方法,称为条件成对集群(ConPaC)集团面临集合根据主体的身份。ConPaC使用邻接矩阵的直接估计来自成对相似性的脸,这是计算学深残余网络表示。方法也扩展到semisupervised集群通过接受一套成对约束(必须关联或cannot-link作业)相似性矩阵。两个无约束脸上的评价进行了数据集,即。,LFW IJB-B。

施等。9)提出了一种自学习框架面对集群,它由两个主要的阶段:图像解相关和自主学习。作者扩展的二维美白重建(10)处理本地图像补丁为了减少图像冗余,同时保留显著的地方特色。然后,作者组语义相似的面孔通过自学学习模型,由以下的观察:启发人类的学习过程从简单到复杂的任务,人类可能会改变的先验知识与学习经验和更多的先验知识的增加通常会导致更好的预测精度。的方法9]在受控环境评估的一个子集扩展Yale-B [11和基于“增大化现实”技术12)数据库和不受约束的环境中在伦敦时装周的一个子集13]。

2.2。基于聚类

集群是一项基本技术在模式识别和数据挖掘旨在一组对象组织成一组类称为集群。想法是,对象属于同一个集群类似足以推断他们是相同类型的,虽然属于不同簇的对象是不同的假设他们是不同类型的14]。

至今已提出了许多聚类算法:k则,单一的链接,治愈(意味着集群使用的代表),DBSCAN(即Density-Based空间聚类的应用程序与噪音),和期望最大化是著名的例子;参见[15]。一些聚类算法已经成功地应用在信息检索等上下文(16,生物信息学17)、医药(18,图像分割19),和网络安全20.),等等。

聚类算法的一个重要类图论聚类算法。这些算法表示的集合对象图 ,在哪里V顶点的集合,即。,objects of the problem at hand, andE边的集合,每个边代表(dis)现有的两个对象之间的相似关系。G可以直接的或间接的依赖于函数用于计算(dis)顶点之间的相似性。G也可以是加权或无关紧要的;在第一种情况下,一条边的重量表示为 。

图论算法提供了一种简单的方式来表示对象和它们之间的关系。同时,他们不强加任何限制对象的表示空间或(dis)对象之间相似性度量;这些特征增加他们的实际效用。通常,图论算法构建的集群通过覆盖图G,使用一种特殊的子图(21]。在这种情况下,每个子图,或者修改它,被认为是一个集群。然而,也有基于算法使用等方法优化(22)或游戏理论(23),等等。

以后,在这个工作中,我们正在处理面部图像的聚类和考虑,我们不希望图像从不同对象共享一个集群中,我们关注的是生产一个不相交的集群。然而,其他类型的聚类是在文献中报道,重叠和模糊聚类等。

2.3。聚类评价

聚类评价测量或聚类有效性指标的概念成为一个答案选择的必要性,从一组聚类算法和一个给定的数据集,一个具有最好的性能。预计这些验证措施可以公正的和没有任何偏好在任何特定的聚类算法。迄今报告的评估措施可分为外部或内部(14]。

外部措施评估集群解决方案基于多少这个解决方案类似于一个给定的类的集合,通常被称为地面实况,它已经被人类专家手动标记。相反,内部措施仅仅依靠集群中的信息,并验证解决方案考虑到成就的一个或多个属性,这是隐式或显式地用该指数来衡量。从这两种措施,使用最广泛的是外部的措施。

一些外部措施已经在文献中报道:熵(24),Jaccard系数(25],V-measure [26)等;这些措施是不同的根据他们的数学基础,偏见,和局限性。多项作品分析哪些属性或数学约束应该实现的评价指标(26- - - - - -29日]。事实上,朋友等的工作。27]提出四个正式约束之前报道的大多数。

面对评价聚类算法提出了工作,我们采用相同的措施中使用(4];也就是说,我们使用成对Fmeasure [4)和BCubed Fmeasure [27]。成对Fmeasure, F-measure表示,指数在文献中常用的评价聚类结果,进而满足的两个四个制约因素中引入27]:集群同质性和集群的完整性。这种方法被定义如下: 在哪里和分别表示成对精度和成对回忆,他们定义如下: 在哪里对对象的数量(图片在我们的例子中)属于同一集群和相同的类,是对对象的数量属于同一集群的但在不同的类,然后呢是对对象的数量,属于同一类,但不同的集群。

恰恰相反,鉴于F-measure有偏差大的集群,我们决定使用也BCubed Fmeasure, FBcubed表示,进而满足四个制约因素提出了27)和线性权重集群基于它们的大小。这种方法被定义如下: 在哪里和分别表示Bcubed精度和Bcubed回忆,他们定义如下: 在哪里N是对象的数量,和指的是集群和类,分别指集合的大小 是1,如果和对象相同的集群和属于同一类;否则,它的值是0。

3所示。提出了面对集群

3.1。面描述符

近年来,深卷积神经网络导致了一系列无约束的人脸识别的突破,让我们去处理面对图像包含极端的姿势,照明,和解决差异。因为我们感兴趣的是集群面临在无约束情况下,我们使用一个面对表示基于卷积神经网络。模型与29卷积ResNet网络层获得的戴维斯(30.]。这是一个版本的ResNet-34网络提出了[31日五层被移除),每层过滤的数量减少了一半,为了提高效率。图2显示了ResNet网络使用的网络体系结构。

对于一个给定的输入面图像,五个里程碑点(即检测到。,corners of the eyes and the bottom of the nose) using the implementation provided in [30.]。使用检测到的点作为参考,2 d脸对齐是由使用仿射转换获得面值150150像素,0.25填充。ResNet-29对齐图像作为输入的网络,和128维面描述符。图3显示了脸表示过程的概述。

3.2。聚类方法

基于图论算法和考虑提供的优势,我们要处理大量的图像,我们决定采用中国低语的方法(32](CW)。连续波是一种有效的和有效的算法来获得一个分区的节点加权无向图。在我们的例子中,输入图G使用图像,使用描述符来表示提出了部分3.1顶点和使用欧氏距离来衡量两幅图像之间的距离。重要的是要强调,在输入图的计算中,我们只考虑那些重量不到一个预定义的阈值的边缘。细节和讨论这个阈值的聚类结果的影响提供了部分4.3。

直观地说,连续波工作如下:首先,它分配一个不同的类图中的每个节点。之后,预定义的处理节点分配到每个节点的迭代次数最强的类在他们的社区。让是一个顶点。最强的类的社区类的边权值之和吗中最大的边缘属于。在类间关系的情况下,其中一个是随机选择的。

连续波算法的一个缺点是,它可以产生大量的集群,这取决于输入图的稀疏。我们可以使用实验数据集从初步实验验证这一事实。事实上,更让人担心的是,这个缺点可以让CW同构集群划分为两个或两个以上的集群。

为了克服上述限制的连续波,我们引入一个后处理阶段,由两个步骤组成的,如下所示。

让 是集群的组获得的连续波的算法。让和 ,与 ,是最低的平均体重集群内边缘 ,分别。让所有边的权重的总和e连接集群和 ,这样或 。

首先,我们建立的C一个图表 其中每个顶点是一个集群C和之间存在一条边的两个集群,如果他们是邻居。两个集群和如果是邻居或 。背后的直觉思想建设的这张图是确定,使用不同的抽象层次,这些集群高度相关,可以代表一个类分为几部分(即。subclusters)。一次建造,使用相同的处理策略的连续波为了构建最终的组不相交的集群。图4显示一个图形概述了该方法的主要步骤。

4所示。实验评价

在本节中,我们提出的整体评价和比较提出的聚类方法。首先,我们描述了使用数据集和评价协议。其次,我们评估我们的建议的集群性能和比较它与相关的集群性能和计算时间。最后,我们分析了阈值设定在面对集群性能的影响。

4.1。数据集

四个著名的脸上的实验数据集:标签面临在野外(13),YouTube (33],扩展Yale-B [11),基于“增大化现实”技术(34)数据集。这些数据集特征控制和无控环境,广泛的变化,即。变化表达式,照明,姿势,分辨率,背景,遮挡,和解决。图5显示了一些示例图像所使用的数据集。

(我)标签面临在野外数据集(融通)[13)是专为研究无约束的人脸识别的问题。数据集包含13233名人和公众人物的面孔的图像,从网上收集。每个脸贴上图片中人物的名字。有1680 5749人的数据集有两个或两个以上不同的照片。面对图像变化表达式,照明,姿势,分辨率,和背景。(2)YouTube的面孔(YTF)数据库(33)是一个大型的视频数据集用于无约束的脸在视频验证。类似于LFW,数据集包括名人和公众人物的视频。它包含3425个视频1595有重大变化的主题表达,照明,姿势,分辨率,和背景。平均2.15视频可供每个主题。一段视频的平均时间是181.3帧。使用集群,在单独的帧。(3)扩展Yale-B面对数据库(扩展耶鲁数据库B) (11)是严重的光照变化下进行实验设计的。它包含38个学科,图像被抓获9不同的姿势和64种不同的照明条件下。一个子集包含9不同光照下的额脸图像。在这个子集,所有图片都是手动对齐和裁剪到168192像素。在我们的实验中,使用这个子集。(iv)基于“增大化现实”技术的脸数据库(AR) (34)包含超过3200彩色图像对应于126例(56 70名男性和女性)。图像的基于“增大化现实”技术的功能额观点面临不同的面部表情,照明条件和遮挡(太阳镜和围巾)。在本文中,我们使用面对作物用于(35),其中包括2600的图像对象(25个男性和25名女性),手动对齐和裁剪到120165像素。

4.2。聚类评价

在本节中,我们评估我们的建议的集群性能和比较它与其他相关方法。作为一个基线,我们考虑k——用三种不同的聚类k值,即。,true number of subjects, the number of clusters obtained by our proposal, and the number of clusters obtained by the best-performing approach different than ours. Also, as a baseline, we consider the Global Logical-Combinatorial Clustering algorithm (GLC) [36),突出显示结果在几个应用程序和解决聚类问题从图论的角度来看,我们的建议。

我们也比较性能的聚类方法,报道了最近两次脸聚类方法,即。,近似排序7]和ConPaC [4]。近似的报道结果排序和ConPaC获得相应的论文(4,7),表示不同部分中给出3.1被使用。此外,我们包括与面对结果使用近似排序算法描述符描述的部分3.1。这是不可能的情况下ConPaC因为代码和可执行的算法是公开的。其余的算法比较表1- - - - - -4使用部分中描述的表示3.1。

为k则,我们使用了c++ OpenCV实现。对于相关,我们使用我们自己的c++实现的方法。近似排序算法中,我们使用Python实现网上公开(https://github.com/varun-suresh/Clustering)。自相关的聚类结果,近似等级次序,和我们的建议取决于给定的距离阈值参数,考虑到没有一个已知的有效的方法来计算,我们评估算法在几个这个参数的值和报告最好的结果。进一步分析该参数的影响在聚类结果中提供了部分4.3。

表中可以看到1伦敦时装周的数据集,该算法执行比竞争算法对评价措施。我们的提议也得到许多集群更接近真正的伦敦时装周的数据集的身份。相反,当集群ResNet-29面临伦敦时装周的描述符,该方法优于近似排序(7)算法,表明了改进驻留在该集群战略。因此,这将是有趣的评估使用的描述符是否利用奥托等人在7)可以改善我们的方法对结果的近似排序。

此外,表中可以看到1,k则算法获得最低的结果F-measure和FBcubed,伦敦时装周的数据集。鉴于LFW数据集是高度不平衡(37)和大多数科目只有一个图片,预计这个结果k则无法处理well-imbalanced数据(4]。

YTF数据集的实验,我们的建议也达到最高的集群性能,它可以观察表2。在这种情况下,值得一提的是,集群ResNet-29脸描述符与近似排序(7在[]算法优于结果报告7)当使用近似排序用自己的脸描述符。这可能表明,面对描述符用于我们的工作是更健壮的具体变化YTF礼物,这是一个视频数据集在不受控制的环境中。相反,由于数据是YTF更好的平衡,k——获得结果接近其他算法相比,那些获得了伦敦时装周的(见表1)。类似的行为观察表3和4扩展Yale-B和AR数据集,分别。

在表中可以看到3和4,该算法还执行比竞争算法的评价措施,发现许多集群更接近真实的身份Yale-B扩展和基于“增大化现实”技术的数据集。这些数据集被抓获在受控环境极端光照变化和遮挡。因为面对描述符描述部分3.1没有训练来对付这种极端变化,聚类结果更低,专门为AR数据集(见表4)。

重要的是要强调,如表所示1- - - - - -4,我们提出面对聚类方法能够发现集群(身份)的数量比对比算法更好的聚类性能。也取得了更好的聚类性能结果的评价措施,专门为FBcubed,不会提高性能的结果可能是F-measure的情况下,因为它是基于对。

4.3。阈值影响评估

就像前面提到的3.2,我们提出面对聚类算法依赖于一个给定的距离阈值参数来构建初始图。在近似排序的情况下(7)算法,距离阈值也指定;在相似度阈值之间的平衡精度和召回率为特定数据集被集群(7]。

在本节中,我们评估的影响距离阈值参数在面对我们的建议的聚类结果四个数据集。同时,我们对比这些结果时,所得结果与不同的阈值参数的近似排序算法(7]。两种算法进行了测试使用多个值的阈值,结果F-measure和FBcubed度量报告图6。

图中可以看到6,拟议中的聚类方法实现了最佳聚类结果非常相似的阈值,即、0.40和0.45。这种行为是观察到的四个数据集(即。,LFW,YTF,EYaleB,和基于“增大化现实”技术)和the two evaluation measures (i.e., F-measure and FBcubed). The same behavior was not observed for the Approximate Rank-order algorithm [7),最好的结果截然不同的阈值。值得注意的是,这四个实验中使用的数据集有不同的条件和特点,例如,大型interdataset变化的照明,姿势,分辨率,规模、背景、和闭塞;参见4.1。因此,它可以表明,我们提出的方法能够更好的看不见的数据规模。换句话说,当在看不见的数据,使用我们的算法阈值在0.40和0.45之间有望获得聚类结果更接近其最好的结果。然而,对于近似排序算法(7),它将需要详尽测试阈值更适合的新数据。这是该方法的一个重要的优势因为在真实的应用程序中,通常没有带安全标签的数据时,阈值可以被训练的。

4.4。计算时间评估

在本节中,我们比较了计算所需的时间处理每个部分中使用的实验数据集4.2,前面部分的算法进行了分析。因为在(7],近似排序算法评估使用不同的策略来面对特征的提取和分析只关注的目标集群的计算时间,所有聚类算法进行了相同的人脸特征描述符,即。,ResNet-29脸描述符中引入部分3.1。使用相同的输入数据保证产生的时间差异将只有关于聚类算法的差异。

表5显示了每个评估算法的计算时间为集群的每个实验数据集;最短的时间内为每个数据集被高亮显示。

我们可以看到在桌子上5,除了YTF数据集,该算法的聚类时间接近最快的算法,包括k算法则有一个简单的集群战略。这一事实表明,除了实现最佳的聚类性能外,我们的建议还提出了计算时间与其他先进的算法。尽管集群YTF的时间比其他算法,在相同的数据集,我们的算法实现了更好的结果。

5。结论

本文在野外集群面临的问题,我们提出了一个有效的基于方法使用作为ResNet-29深卷积网络面临的描述符。该方法优于最近的一些著名的伦敦时装周的聚类算法,YTF EYaleB,基于“增大化现实”技术的数据集。本文给出的算法不做任何假设集群面临数据集。只需要一个阈值参数建立最初的脸图;然而,在我们的实验中,我们能够找到单阈值的聚类结果更接近最好的结果。鉴于捕获的四个数据集用于我们的实验在不同的条件和环境,它可以表明,该方法能够规模比其他方法相比。这是一个重大的优势提出了面对聚类方法,在许多实际应用中,没有带安全标签的数据时可用的参数可以被训练的地方。

我们未来的工作将包括探索将成对约束,即。必须关联和cannot-link关系,为了提高集群性能。这种约束是非常相关的几个应用程序,例如,面临跟踪视频序列,semilabeled数据集等。

数据可用性

标签面临在野外数据用于支持本研究的发现可以在作者的网页http://vis-www.cs.umass.edu/lfw/。这些先前的研究(和数据)援引文本中有关地方文献[13]。YouTube面临数据用于支持本研究的发现可以在作者的web页面https://www.cs.tau.ac.il/wolf/ytfaces/。这些先前的研究(和数据)援引文本中有关地方文献[33]。扩展Yale-B数据用于支持本研究的发现可以在作者的web页面http://vision.ucsd.edu/iskwak/ExtYaleDatabase/ExtYaleB.html。这些先前的研究(和数据)援引文本中有关地方文献[11]。AR数据用于支持本研究的发现可以在作者的web页面(http://www2.ece.ohio-state.edu/ ~ aleix / ARdatabase.html)。这些先前的研究(和数据)援引文本中有关地方文献[34]。

的利益冲突

作者宣称没有利益冲突。

确认

作者希望表达他们的感谢学府de蒙特雷和应用技术应用中心。

引用

1. b . Lahasan s l . Lutfi, r . San-Segundo”调查技术来处理人脸识别的挑战:闭塞,单一样本/主题和表达,“人工智能审查,52卷,不。2、949 - 979年,2019页。视图:出版商的网站|谷歌学术搜索
2. y Martindez-Diaz, l . s . Luevano h . Mendez-Vazquez m . Nicolas-Diaz l . Chang和m . Gonzalez-Mendoza”Shufflefacenet:一个轻量级的脸架构高效和高度精确的人脸识别,”《IEEE计算机视觉国际会议(ICCV)研讨会首尔,韩国,2019年10月。视图:谷歌学术搜索
3. 张x曹,c, c, h .傅和h . Foroosh“约束视点视频脸集群,”IEEE图像处理,24卷,不。11日,第4393 - 4381页,2015年。视图:出版商的网站|谷歌学术搜索
4. y史,c·奥托,a . k . Jain,“面对集群:表示和成对约束,”IEEE取证和安全信息,13卷,不。7,1626 - 1640年,2018页。视图:出版商的网站|谷歌学术搜索
5. c, c .张x, g .史和曹x”视频脸集群通过约束稀疏表示,“学报2014年IEEE国际会议多媒体和世博会(ICME),成都,中国,2014年7月。视图:出版商的网站|谷歌学术搜索
6. 曹x, x, y汉,d .林”基于张量分解的人脸聚类”,IEEE控制论,45卷,不。11日,第2557 - 2546页,2015年。视图:出版商的网站|谷歌学术搜索
7. c·奥托·d·王,a . k . Jain“集群数百万面临的身份,”IEEE模式分析与机器智能,40卷,不。2、289 - 303年,2018页。视图:出版商的网站|谷歌学术搜索
8. c .朱f·温,j .太阳,”一个排序基于距离的聚类算法面对标记,”学报2011年IEEE计算机视觉与模式识别会议,CVPR”11,页481 - 488,IEEE计算机协会,华盛顿特区,2011年美国。视图:谷歌学术搜索
9. 郭x, z, f, j . Cai和l .杨“自学对于面对集群,”模式识别卷,79年,第289 - 279页,2018年。视图:出版商的网站|谷歌学术搜索
10. 郭x, z, f·聂,l .杨j .你和d .道,“二维美白重建增强鲁棒性的主成分分析,“IEEE模式分析与机器智能,38卷,不。10日,2130 - 2136年,2016页。视图:出版商的网站|谷歌学术搜索
11. K.-C。李,j . Ho Kriegman和j·大卫。”获得线性子空间照明下的人脸识别变量,“IEEE模式分析与机器智能,27卷,不。5,684 - 698年,2005页。视图:出版商的网站|谷歌学术搜索
12. a·马丁内斯和商业部副部长r . Benavente上周“AR面对数据库,技术代表、技术报告24日计算机视觉中心,Bellatera,巴塞罗那,西班牙,1998。http://scholar.google.com/scholar?hl=en&lr=&client=firefox-a&cites=1504264687621469812。视图:谷歌学术搜索
13. 黄g·b·m·拉梅什,“塔玛拉伯格,erik learned-miller。标签面临在野外:数据库为研究人脸识别在不受约束的环境中,“技术。代表,马萨诸塞大学阿默斯特学院,硕士,美国,2007年10月,07-49技术报告。视图:谷歌学术搜索
14. d . Pfitzner r . Leibbrandt, d .权力,”表征和评价对集群,相似性度量的”知识和信息系统,19卷,不。3、361 - 394年,2009页。视图:出版商的网站|谷歌学术搜索
15. a . k . Jain m . n . Murty p•j•弗林,“数据聚类:审查,”ACM计算调查没有,卷。31日。3、264 - 323年,1999页。视图:出版商的网站|谷歌学术搜索
16. Kumar和k . k . Bhatia,“基于聚类的方法对新奇检测在文本文档中,“亚洲计算机科学与技术杂志》上,8卷,不。2、116 - 121年,2019页。视图:谷歌学术搜索
17. a . m .麻布,r·普拉萨德,r . Yadav,“基因表达数据集分类使用人工神经网络和clustering-based特征选择,”国际群体智能研究期刊》的研究(IJSIR),11卷,不。1,第86 - 65页,2020。视图:出版商的网站|谷歌学术搜索
18. r . Delshi Howsalya井斜,A呗,n .纳“糖尿病诊断的一种新的混合方法使用最远的支持向量机算法,”肥胖的药物ID 100152条,卷。17日,2019年。视图:出版商的网站|谷歌学术搜索
19. v . s . Kumar s . a . Sivaprakasam r . Naganathan和s . Kavitha”快速k - means技术hyper-spectral多波段图像分割的减少,”波拉克Periodica,14卷,不。3、201 - 212年,2019页。视图:出版商的网站|谷歌学术搜索
20. z Felfli, r·乔治·k·Shujaee, m . Kerwat”社区发现和发布在网络层次结构:density-based聚类的方法,”应用网络科学,4卷,不。1,1 - 8,2019页。视图:出版商的网站|谷歌学术搜索
21. a . Perez-Suarez j . f . Martinez-Trinidad j . a . Carrasco-Ochoa和j·e . Medina-Pagola”OClustR:一种新的图论算法对于重叠集群,”Neurocomputing卷,121年,第247 - 234页,2013年。视图:出版商的网站|谷歌学术搜索
22. l·乔杜里和b·辛格“社区检测在社交网络,使用模块化和相似性最大化的措施”智能系统和物联网:创新计算施普林格,页197 - 206年,柏林,德国,2020年。视图:出版商的网站|谷歌学术搜索
23. 诉Moscato a Picariello, g . Sperli“社区检测基于博弈理论,人工智能技术的工程应用卷,85年,第782 - 773页,2019年。视图:出版商的网站|谷歌学术搜索
24. 施泰因巴赫m, g . Karypis,诉Kumar“比较文档聚类技术,”第六届ACM SIGKDD学报》国际会议上知识发现和数据挖掘美国,波士顿,MA, 2000年8月。视图:谷歌学术搜索
25. m . Halkidi y Batistakis, m . Vazirgiannis”聚类验证技术。”智能信息系统杂志》上,17卷,不。2 - 3、107 - 145年,2001页。视图:出版商的网站|谷歌学术搜索
26. 答:罗森博格,j . Hirschberg V-measure,“有条件entropy-based集群外部评价措施,”学报2007年联合会议上实证方法在自然语言处理和计算自然语言学习(EMNLP-CoNLL),页410 - 420,布拉格,捷克共和国,2007年6月。视图:谷歌学术搜索
27. e .朋友j·冈萨洛,j .法学和f . Verdejo”比较外在的聚类评价指标根据正式约束,“信息检索,12卷,不。4、461 - 486年,2009页。视图:出版商的网站|谷歌学术搜索
28. b . e . Dom,“一个外部cluster-validity测量信息理论,”十八会议程序的不确定性人工智能,可用“02出版社,页137 - 145年,摩根Kaufmann Inc .)、旧金山、钙、美国,2002年。视图:谷歌学术搜索
29. m·梅尔ǎ”,比较聚类:一个公理视图”学报》第二十二届国际会议在机器学习,ICML 05ACM,页577 - 584年,纽约,纽约,美国,2005年。视图:出版商的网站|ǎ“目标= "平等" >谷歌学者
30. e·k·戴维斯,“Dlib-ml:机器学习工具,”机器学习研究杂志》上,10卷,第1758 - 1755页,2009年。视图:谷歌学术搜索
31. k . x张,他任美国,j .太阳,“深残余学习图像识别,”学报2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
32. c . Biemann“中国低语:一种有效的图像聚类算法及其应用自然语言处理问题”第一届研讨会论文集图基于自然语言处理的方法,TextGraphs-1,页73 - 80,纽约,纽约,美国,2006年6月。视图:出版商的网站|谷歌学术搜索
33. l .狼、t·哈斯内尔和象征,”在无约束的视频中人脸识别与匹配背景相似,”《IEEE计算机视觉模式识别会议美国科罗拉多斯普林斯,有限公司,2011年6月。视图:出版商的网站|谷歌学术搜索
34. a . m .马丁内斯和商业部副部长r . Benavente上周“AR面对数据库,”科技。代表,CVC,新德里,印度,1998年,技术报告。视图:谷歌学术搜索
35. a . m .马丁内斯和a·c·谷湖PCA与LDA。”IEEE模式分析与机器智能,23卷,不。2,第233 - 228页,2001年2月。视图:出版商的网站|谷歌学术搜索
36. g . Sanchez-Diaz和j . Ruiz-Shulcloper”中期矿业:逻辑的组合模式识别方法在大型数据集集群,”第五届伊比利亚美洲学报》研讨会在模式识别《里斯本条约》,页475 - 483年,葡萄牙,2000年9月。视图:谷歌学术搜索
37. o . Loyola-Gonzalez m·a . Medina-Perez j . f . Martinez-Trinidad et al .,“PBC4cip:一个新的对比基于模式分类器类不平衡问题,“以知识为基础的系统卷,115年,第109 - 100页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019莱昂纳多Chang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。