开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

基于k-means算法的图像数据集SURF特征聚类

是一种将图像数据集中的SURF特征进行聚类分析的方法。下面是对该问题的完善且全面的答案：

概念：基于k-means算法的图像数据集SURF特征聚类是一种无监督学习方法，通过将图像数据集中的SURF特征向量进行聚类，将相似的特征向量分到同一类别中，从而实现对图像数据集的聚类分析。
分类：基于k-means算法的图像数据集SURF特征聚类属于机器学习中的无监督学习方法，同时也属于图像处理和模式识别领域。
优势：
- 高效性：k-means算法是一种简单而高效的聚类算法，适用于大规模数据集。
- 可解释性：聚类结果直观易懂，可以帮助理解图像数据集中的特征分布情况。
- 可扩展性：可以根据需要选择合适的特征向量和聚类数目，适用于不同规模和类型的图像数据集。
应用场景：
- 图像检索：通过对图像数据集进行SURF特征聚类，可以实现基于内容的图像检索，即根据图像的特征相似度进行图像检索。
- 目标识别：通过对图像数据集中的SURF特征进行聚类，可以实现目标识别和分类，例如人脸识别、物体识别等。
- 图像分析：通过对图像数据集进行SURF特征聚类，可以对图像数据集进行分析，发现其中的模式和规律。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云图像识别（https://cloud.tencent.com/product/imagerecognition）
- 腾讯云人脸识别（https://cloud.tencent.com/product/faceid）
- 腾讯云智能视频分析（https://cloud.tencent.com/product/vca）

请注意，以上答案仅供参考，具体的推荐产品和产品介绍链接地址可能需要根据实际情况进行调整。

相关搜索:基于ORB特征的k-means聚类基于电影数据集的KMeans聚类 K-means聚类后如何获取数据集的子集基于虹膜数据集的Python模糊聚类 K-means聚类不能找到数据中的所有聚类基于R中的聚类特征创建向量大数据集的降维方法和聚类算法基于VGG16的聚类特征提取如何使用原始数据中的in导出k-means算法的输出(聚类标签如何利用分类数据找到聚类算法的最佳聚类个数使用javascript的k-means聚类算法收敛但不稳定收敛用于图像聚类的亲和力传播算法利用matlab中的k-means聚类对三维散点数据进行聚类在java中使用k-means算法执行文档聚类的步骤如何在多维数据上显示K-means聚类的输出？如何在适当缩放两个轴的情况下使用k-means算法对导入的数据集进行聚类基于包围盒分解的二维点聚类算法基于先前聚类的集合预测新数据为什么Python的scikit-learn K-Means文本聚类算法总是提供不同的结果 K均值聚类在不同数据集上的结果

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

机器学习系列：（六）K-Means聚类

K-Means聚类前面几章我们介绍了监督学习，包括从带标签的数据中学习的回归和分类算法。本章，我们讨论无监督学习算法，聚类（clustering）。聚类是用于找出不带标签数据的相似性的算法。我们将介绍K-Means聚类思想，解决一个图像压缩问题，然后对算法的效果进行评估。最后，我们把聚类和分类算法组合起来，解决一个半监督学习问题。在第一章，机器学习基础中，我们介绍过非监督学习的目的是从不带标签的训练数据中挖掘隐含的关系。聚类，或称为聚类分析（cluster analysis）是一种分组观察的方法，将更具

06

使用K-Means算法将图像压缩6倍！

在本文中，我们将讨论K-Means算法，它是一种基于聚类的无监督机器学习算法。此外，我们还将讨论如何使用K-Means来压缩图像。

03

【干货】Python无监督学习的4大聚类算法

---- 新智元编译来源：towardsdatascience.com 作者：Vihar Kurama 翻译：肖琴【新智元导读】无监督学习是机器学习技术中的一类，用于发现数据中的模式。本文介绍用Python进行无监督学习的几种聚类算法，包括K-Means聚类、分层聚类、t-SNE聚类、DBSCAN聚类等。无监督学习是机器学习技术中的一类，用于发现数据中的模式。无监督算法的数据没有标注，这意味着只提供输入变量（X），没有相应的输出变量。在无监督学习中，算法自己去发现数据中有意义的结构。 Fac

06

图像序列中快速地点识别的二进制词袋方法

文章：Bags of Binary Words for Fast Place Recognition in Image Sequences

03

Deep Learning论文笔记之K-means特征学习

自从Deep Learning之风盛起之时到现在，江湖上诞生了很多都可以从无标签数据中学习到深度的分级的特征的算法。大部分情况，这些算法都涉及到一个多层网络，而训练和调整这个网络需要很多tricks。最近，我们发现K-means聚类算法也可以被作为一个非常快的训练方法。它的优点是快！容易实现！当然了，K-means也不是万能神丹，它也存在自身的局限性。在本文中，我们就关注K-means的方方面面。总结了最近的K-means算法的效果和介绍使用k-means来有效地学习图像的特征的一些技巧。一、

07

机器学习算法之K-means特征学习

自从Deep Learning之风盛起之时到现在，江湖上诞生了很多都可以从无标签数据中学习到深度的分级的特征的算法。大部分情况，这些算法都涉及到一个多层网络，而训练和调整这个网络需要很多tricks。最近，我们发现K-means聚类算法也可以被作为一个非常快的训练方法。它的优点是快！容易实现！当然了，K-means也不是万能神丹，它也存在自身的局限性。在本文中，我们就关注K-means的方方面面。总结了最近的K-means算法的效果和介绍使用k-means来有效地学习图像的特征的一些技巧。一、

05

机器学习算法之K-means特征学习

自从Deep Learning之风盛起之时到现在，江湖上诞生了很多都可以从无标签数据中学习到深度的分级的特征的算法。大部分情况，这些算法都涉及到一个多层网络，而训练和调整这个网络需要很多tricks。最近，我们发现K-means聚类算法也可以被作为一个非常快的训练方法。它的优点是快！容易实现！当然了，K-means也不是万能神丹，它也存在自身的局限性。在本文中，我们就关注K-means的方方面面。总结了最近的K-means算法的效果和介绍使用k-means来有效地学习图像的特征的一些技巧。一

04

【图像分类】简述无监督图像分类发展现状

无监督图像分类问题是图像分类领域一项极具挑战的研究课题，本文介绍了无监督图像分类算法的发展现状，供大家参考学习。

03

[Python从零到壹] 十三.机器学习之聚类算法四万字总结（K-Means、BIRCH、树状聚类、MeanShift）

在过去，科学家会根据物种的形状习性规律等特征将其划分为不同类型的门类，比如将人种划分为黄种人、白种人和黑种人，这就是简单的人工聚类方法。聚类是将数据集中某些方面相似的数据成员划分在一起，给定简单的规则，对数据集进行分堆，是一种无监督学习。聚类集合中，处于相同聚类中的数据彼此是相似的，处于不同聚类中的元素彼此是不同的。本章主要介绍聚类概念和常用聚类算法，然后详细讲述Scikit-Learn机器学习包中聚类算法的用法，并通过K-Means聚类、Birch层次聚类及PAC降维三个实例加深读者印象。

00

算法金 | 再见！！！K-means

今天我们来聊聊达叔 6 大核心算法之 —— k-means 算法。最早由斯坦福大学的 J. B. MacQueen 于 1967 年提出，后来经过许多研究者的改进和发展，成为了一种经典的聚类方法。吴恩达：机器学习的六个核心算法！

01

【TPAMI重磅综述】 SIFT与CNN的碰撞：万字长文回顾图像检索任务十年探索历程（上篇）

基于内容的图像检索任务（CBIR）长期以来一直是计算机视觉领域重要的研究课题，自20世纪90年代早期以来，研究人员先后设计了图像的全局特征，局部特征，卷积特征的方法对CBIR任务进行探索和研究，并取得了卓越的成果。

04

如何做特征选择

1.数据挖掘与聚类分析概述数据挖掘一般由以下几个步骤： (l)分析问题:源数据数据库必须经过评估确认其是否符合数据挖掘标准。以决定预期结果，也就选择了这项工作的最优算法。 (2)提取、清洗和校验数据:提取的数据放在一个结构上与数据模型兼容的数据库中。以统一的格式清洗那些不一致、不兼容的数据。一旦提取和清理数据后，浏览所创建的模型，以确保所有的数据都已经存在并且完整。 (3)创建和调试模型:将算法应用于模型后产生一个结构。浏览所产生的结构中数据，确认它对于源数据中“事实”的准确代表性，这是很重要的一点。虽然

05

数据挖掘案例:基于 ReliefF和K-means算法的应用

.NET数据挖掘与机器学习原文：http://www.cnblogs.com/asxinyu/archive/2013/08/29/3289682.html 数据挖掘方法的提出，让人们有能力最终认识数据的真正价值，即蕴藏在数据中的信息和知识。数据挖掘 (DataMiriing)，指的是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的潜在有用信息，数据挖掘是目前国际上，数据库和信息决策领域的最前沿研究方向之一。因此分享一下很久以前做的一个小研究成果。也算是一个简单的数据挖掘处理的例

08

如何使用 Keras 实现无监督聚类

由于深度学习算法在表达非线性表征上的卓越能力，它非常适合完成输入到有标签的数据集输出的映射。这种任务叫做分类。它需要有人对数据进行标注。无论是对 X 光图像还是对新闻报道的主题进行标注，在数据集增大的时候，依靠人类进行干预的做法都是费时费力的。

03

tensorflow+k-means聚类简单实现猫狗图像分类

本文使用的是 kaggle 猫狗大战的数据集：https://www.kaggle.com/c/dogs-vs-cats/data

01

特征选择算法实战

数据挖掘方法的提出，让人们有能力最终认识数据的真正价值，即蕴藏在数据中的信息和知识。数据挖掘 (DataMiriing)，指的是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的潜在有用信息，数据挖掘是目前国际上，数据库和信息决策领域的最前沿研究方向之一。因此分享一下很久以前做的一个小研究成果。也算是一个简单的数据挖掘处理的例子。 1.数据挖掘与聚类分析概述数据挖掘一般由以下几个步骤： (l)分析问题:源数据数据库必须经过评估确认其是否符合数据挖掘标准。以决定预期结果，也就选择

04

K-means算法及OpenCV实现

K-means算法MacQueen在1967年提出的，是最简单与最常见数据分类方法之一并且最为一种常见数据分析技术在机器学习、数据挖掘、模式识别、图像分析等领域都用应用。从机器学习的角度看，K-means属于一种无监督的机器学习方法。无监督学习（Unsupervised Learning）简单的说就是在不给定正确答案（标签）的情况下，在数据中找到一些相似的特征用以分析（分类）数据的方法。而在K-means算法解决图像的问题中，就是在对图像的像素点进行分类，达到图像分割的目的。

03

【matlab】KMeans KMeans++实现手写数字聚类

将物理或抽象对象的集合分成由类似特征组成的多个类的过程称为聚类(clustering)。

06

超详细！聚类算法总结及对比！

聚类分析，也称为聚类，是一种无监督的机器学习任务。与监督学习不同，聚类算法仅依赖输入数据，并致力于在特征空间中找到自然的组或群集。这些群集通常是特征空间中的密度区域，其中同一群集的数据点比其他群集更紧密地聚集在一起。

02

一文读懂K均值（K-Means）聚类算法

大数据文摘授权转载自数据派THU作者：王佳鑫审校：陈之炎概述众所周知，机器学习算法可分为监督学习(Supervised learning)和无监督学习(Unsupervised learning)。监督学习常用于分类和预测。是让计算机去学习已经创建好的分类模型，使分类（预测）结果更好的接近所给目标值，从而对未来数据进行更好的分类和预测。因此，数据集中的所有变量被分为特征和目标，对应模型的输入和输出；数据集被分为训练集和测试集，分别用于训练模型和模型测试与评估。常见的监督学习算法有Regression

02

当我们拿到数据进行建模时，如何选择更合适的算法？

2.其次，看数据特征的数据类型，然后做一些初步的数据统计，比如是否数据均衡，大致的数据分布是怎样的（不同类别的分布）

01

MATLAB数据挖掘用改进的K-Means(K-均值)聚类算法分析高校学生的期末考试成绩数据

本文首先阐明了聚类算法的基本概念，介绍了几种比较典型的聚类算法，然后重点阐述了K-均值算法的基本思想，对K-均值算法的优缺点做了分析，回顾了对K-均值改进方法的文献，最后在Matlab中应用了改进的K-均值算法对数据进行了分析。

01

机器学习 | K-Means聚类算法原理及Python实践

“聚类”（Clustering）试图将数据集中的样本划分为若干个不相交的子集，每个子集被称为一个“簇”或者“类”，英文名为Cluster。比如鸢尾花数据集（Iris Dataset）中有多个不同的子品种：Setosa、Versicolor、Virginica，不同品种的一些观测数据是具有明显差异的，我们希望根据这些观测数据将其进行聚类。

02

【Python】机器学习之聚类算法

这些聚类算法在不同场景和数据特性下有各自的优势和局限性，选择合适的算法取决于问题的性质和对结果的需求。聚类在图像分割、客户细分、异常检测等领域都有广泛的应用。

01

用这种方法实现无监督端到端图像分类！

FAIR 的研究者提出了一种为卷积网络进行大规模端到端训练的聚类方法。他们证明了用聚类框架获得有用的通用视觉特征是可实现的。

01

学界 | FAIR提出用聚类方法结合卷积网络，实现无监督端到端图像分类

预训练的卷积神经网络，或称卷积网络，已经成为大多数计算机视觉应用的基础构建模块 [1,2,3,4]。它们能提取极好的通用特征，用来提高在有限数据上学习的模型的泛化能力 [5]。大型全监督数据集 ImageNet[6] 的建立促进了卷积网络的预训练的进展。然而，Stock 和 Cisse [7] 最近提出的经验证据表明，在 ImageNet 上表现最优的分类器的性能在很大程度上被低估了，而且几乎没有遗留错误问题。这在一定程度上解释了为什么尽管近年来出现了大量新架构，但性能仍然饱和 [2,8,9]。事实上，按照今天的标准，ImageNet 是相对较小的；它「仅仅」包含了一百万张涵盖各个领域的分类图片。所以建立一个更大更多样化，甚至包含数十亿图片的数据集是顺理成章的。而这也将需要大量的手工标注，尽管社区多年来积累了丰富的众包专家知识 [10]，但通过原始的元数据代替标签会导致视觉表征的偏差，从而产生无法预测的后果 [11]。这就需要在无监督的情况下对互联网级别的数据集进行训练的方法。

01

动态聚类

利用聚类分析方法进行图像分类使用较多的是动态聚类法。在系统聚类法中，对于那些先前已被“错误”聚类的样本，将不再提供重新聚类的机会，而动态聚类法却允许样本从一个类移动到另一个类中。此外与建立在距离矩阵基础上的系统聚类法相比，动态聚类具有计算量小，占用计算机内存较少和方法简单的优点。

01

系统总结！机器学习的模型！

大家好，我是花哥，前面的文章我们介绍了人工智能、机器学习、深度学习的区别与联系，指出了如今的人工智能技术基本上就是指机器学习。

01

原创 | 一文读懂K均值（K-Means）聚类算法

众所周知，机器学习算法可分为监督学习(Supervised learning)和无监督学习(Unsupervised learning)。

04

无监督学习：从理论到实践的全面指南

无监督学习（Unsupervised Learning）是一类机器学习任务，其中算法在没有标签的情况下，从未标记的数据中学习模式和结构。与有监督学习不同，无监督学习不依赖于预定义的输出，而是从数据本身提取信息，用于发现数据的内在规律和特征。

01

【数据挖掘】视觉模式挖掘：Hog特征+余弦相似度/k-means聚类

本次实验使用的是VOC2012数据集，首先从图像中随机采样图像块，然后利用Hog方法提取图像块特征，最后采用余弦相似度和k-means聚类两种方法来挖掘视觉模式。

03

机器学习算法之聚类算法

"If you set your goals ridiculously high and it's a failure, you will fail above everyone else's success.

03

基于内容的图像检索技术综述-传统经典方法

今天我们来介绍一下图片检索技术，图片检索就是拿一张待识别图片，去从海量的图片库中找到和待识别图片最相近的图片。这种操作在以前依靠图片名搜图的时代是难以想象的，直到出现了CBIR(Content-based image retrieval)技术，依靠图片的内容去搜图。比较常见的图搜平台有百度、谷歌、拍立淘等，有些图搜技术已经能达到非常不错的效果。接下来我们做个测试，给出一个柯基宝宝的图片，分别用三家搜索引擎进行搜索：

03

谷歌团队推出新Transformer，优化全景分割方案｜CVPR 2022

---- 新智元报道编辑：Joey David 【新智元导读】近日，谷歌团队推出了一项新Transformer，可用于优化全景分割方案，还登上了CVPR 2022。最近，谷歌AI团队受Transformer和DETR的启发提出了一种使用Mask Transformer进行全景分割的端到端解决方案。全称是end-to-end solution for panoptic segmentation with mask transformers，主要用于生成分割MaskTransformer架构的扩

03

机器学习中 K近邻法(knn)与k-means的区别

K近邻法（knn）是一种基本的分类与回归方法。k-means是一种简单而有效的聚类方法。虽然两者用途不同、解决的问题不同，但是在算法上有很多相似性，于是将二者放在一起，这样能够更好地对比二者的异同。

02

四种聚类方法之比较

聚类分析是一种重要的人类行为，早在孩提时代，一个人就通过不断改进下意识中的聚类模式来学会如何区分猫狗、动物植物。目前在许多领域都得到了广泛的研究和成功的应用，如用于模式识别、数据分析、图像处理、市场研究、客户分割、Web文档分类等[1]。　聚类就是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。　聚类技术[2]正在蓬勃发展，对此有贡献的研究领域包括数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等。各种聚类方法也被不断提出和改进，而不同的方法适合于不同类型的数据，因此对各种聚类方法、聚类效果的比较成为值得研究的课题。 1 聚类算法的分类　目前，有大量的聚类算法[3]。而对于具体应用，聚类算法的选择取决于数据的类型、聚类的目的。如果聚类分析被用作描述或探查的工具，可以对同样的数据尝试多种算法，以发现数据可能揭示的结果。　主要的聚类算法可以划分为如下几类：划分方法、层次方法、基于密度的方法、基于网格的方法以及基于模型的方法[4-6]。　每一类中都存在着得到广泛应用的算法，例如：划分方法中的k-means[7]聚类算法、层次方法中的凝聚型层次聚类算法[8]、基于模型方法中的神经网络[9]聚类算法等。　目前,聚类问题的研究不仅仅局限于上述的硬聚类，即每一个数据只能被归为一类，模糊聚类[10]也是聚类分析中研究较为广泛的一个分支。模糊聚类通过隶属函数来确定每个数据隶属于各个簇的程度，而不是将一个数据对象硬性地归类到某一簇中。目前已有很多关于模糊聚类的算法被提出，如著名的FCM算法等。　本文主要对k-means聚类算法、凝聚型层次聚类算法、神经网络聚类算法之SOM,以及模糊聚类的FCM算法通过通用测试数据集进行聚类效果的比较和分析。 2 四种常用聚类算法研究 2.1 k-means聚类算法　k-means是划分方法中较经典的聚类算法之一。由于该算法的效率高，所以在对大规模数据进行聚类时被广泛应用。目前，许多算法均围绕着该算法进行扩展和改进。　k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心;对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇;然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。通常，采用平方误差准则，其定义如下：

01

在Python中使用K-Means聚类和PCA主成分分析进行图像压缩

各位读者好，在这片文章中我们尝试使用sklearn库比较k-means聚类算法和主成分分析（PCA）在图像压缩上的实现和结果。压缩图像的效果通过占用的减少比例以及和原始图像的差异大小来评估。图像压缩的目的是在保持与原始图像的相似性的同时，使图像占用的空间尽可能地减小，这由图像的差异百分比表示。图像压缩需要几个Python库，如下所示：

02

常用图像分类功能包

为了能够有效地识别位置，我们需要提取表征图像的特征，之后将相同的特征分成一组，并搜索相似的图像。当然位置识别也可以应用于其他程序，例如在图像恢复我们也需要查找相似图像。

02

关于机器学习的面试题，你又了解多少呢?

前面已经陆续分享了几篇关于机器学习的博客，相信刚接触这个领域的朋友们肯定是比较感兴趣的，那么本篇博客让博主为大家介绍一些关于机器学习常见的面试题吧~

03

AI - 聚类算法

💥聚类算法是一种无监督学习方法，用于将数据集中的对象划分为若干个簇，使得同一个簇内的对象之间具有较高的相似性，而不同簇的对象之间具有较大的差异性。

01

K-means 聚类算法

聚类是把相似的对象通过静态分类方法分成不同的组别或者更多的子集（subset），这样让在同一个子集中的成员对象都有相似的一些属性。聚类算法的任务是将数据集划分为多个集群。在相同集群中的数据彼此会比不同集群的数据相似。通常来说，目标就是通过相似特征将数据分组并分配进不同的集群中。

01

一文看懂自动驾驶中应用的机器学习算法

机器学习算法已经被广泛应用于自动驾驶各种解决方案，电控单元中的传感器数据处理大大提高了机器学习的利用率，也有一些潜在的应用，比如利用不同外部和内部的传感器的数据融合(如激光雷达、雷达、摄像头或物联网)，评估驾驶员状况或为驾驶场景分类等。在KDnuggets网站最近发表的一篇文章中，作者Savaram Ravindra将自动驾驶中机器学习算法主要分为四类，即决策矩阵算法、聚类算法、模式识别算法和回归算法。我们跟他一起看看，这些算法都是怎样应用的。算法概览我们先设想这样一个自动驾驶场景——汽车的信息

K-Means算法的10个有趣用例

K-means算法具有悠久的历史，并且也是最常用的聚类算法之一。K-means算法实施起来非常简单，因此，它非常适用于机器学习新手爱好者。首先我们来回顾K-Means算法的起源，然后介绍其较为典型的应用场景。起源 1967年，James MacQueen在他的论文《用于多变量观测分类和分析的一些方法》中首次提出 “K-means”这一术语。1957年，贝尔实验室也将标准算法用于脉冲编码调制技术。1965年，E.W. Forgy发表了本质上相同的算法——Lloyd-Forgy算法。什么是K-Means算法

05

K-Means算法的10个有趣用例

源 | AI Zone K-means算法具有悠久的历史，并且也是最常用的聚类算法之一。K-means算法实施起来非常简单，因此，它非常适用于机器学习新手爱好者。首先我们来回顾K-Means算法的起源，然后介绍其较为典型的应用场景。起源 1967年，James MacQueen在他的论文《用于多变量观测分类和分析的一些方法》中首次提出 “K-means”这一术语。1957年，贝尔实验室也将标准算法用于脉冲编码调制技术。1965年，E.W. Forgy发表了本质上相同的算法——Lloyd-Forgy算法。

06

第十四章无监督学习

聚类算法（非监督学习算法）。我们将要让计算机学习无标签数据，而不是此前的标签数据。

02

数据缺失的坑，无监督学习这样帮你补了

大数据文摘作品编译：Chole、糖竹子、saint 经常被数据里的NaN值困扰，又不想昧着良心用均值填充？本文介绍了几种常见的数据缺失值处理方法，其中一些用到了聚类算法。无监督学习（UL）有很多没开发的潜力。它是一门从“未标记”数据中推导一个函数来描述其隐藏结构的艺术。但首先，从数据中找到其结构是什么意思呢？让我们来看以下两个例子： Blobs 气泡状分布：这个简单。任何人看到这张图都会认为它是由三个不同的簇组成的。如果你对统计学非常熟悉，你可能还会猜想它由三个隐藏的高斯分布构成。对一个新的数据样本，

03

机器学习聚类算法

聚类算法是一种无监督学习方法，用于将数据集中的样本划分为多个簇，使得同一簇内的样本相似度较高，而不同簇之间的样本相似度较低。在数据分析中，聚类算法可以帮助我们发现数据的内在结构和规律，从而为进一步的数据分析和挖掘提供有价值的信息。

01

基于K-means聚类算法的MATLAB图像分割

K-means算法首先从数据样本中选取K个点作为初始聚类中心;其次计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的类:然后计算新形成的每个聚类的数据对象的平均值来得到新的聚类中心;最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数达到最优。

06

【图像检索】【TPAMI重磅综述】 SIFT与CNN的碰撞：万字长文回顾图像检索任务十年探索历程

基于内容的图像检索任务（CBIR）长期以来一直是计算机视觉领域重要的研究课题，自20世纪90年代早期，研究人员先后采用了图像的全局特征，局部特征，卷积特征的方法对CBIR任务进行研究和探索，并取得了卓越的成果。

01

一文看懂自动驾驶中应用的机器学习算法

安妮唐旭编译自 KDnuggets 量子位出品 | 公众号 QbitAI 机器学习算法已经被广泛应用于自动驾驶各种解决方案，电控单元中的传感器数据处理大大提高了机器学习的利用率，也有一些潜在的应用，比如利用不同外部和内部的传感器的数据融合(如激光雷达、雷达、摄像头或物联网)，评估驾驶员状况或为驾驶场景分类等。在KDnuggets网站最近发表的一篇文章中，作者Savaram Ravindra将自动驾驶中机器学习算法主要分为四类，即决策矩阵算法、聚类算法、模式识别算法和回归算法。我们跟他一起看看，这些算

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭