知识迁移的极大熵聚类算法及其在纹理图像分割中的应用
本文研究了一种新型的基于知识迁移的极大熵聚类技术.拟解决两大挑战性问题: 1)如何从源域中选择合适的知识对目标域进行迁移学习以最终强化目标域的聚类性能;2)若存在源域聚类数与目标域聚类数不一致的情况时,该如何进行迁移聚类.为此提出一种全新的迁移聚类机制,即基于聚类中心的中心匹配迁移机制.进一步将该机制与经典极大熵聚类算法相融合提出了基于知识迁移的极大熵聚类算法(KT-MEC).实验表明,在不同迁移场景下的纹理图像分割应用中,KT-MEC算法较很多现有聚类算法具有更高的精确度和抗噪性.
迁移学习、中心迁移匹配、极大熵聚类、纹理图像分割、抗噪性
12
TP181(自动化基础理论)
国家自然科学基金项目61572236;江苏省自然科学基金项目BK20160187;江苏省产学研前瞻性联合研究项目BY2013015-02
2017-06-12(万方平台首次上网日期,不代表论文的发表时间)
共9页
179-187