28625

خوشه بندي چندنما تصوير با استفاده از يادگيري عميق و تجزيه ماتريس نامنفي

كارشناسي ارشد

مهندسي برق مخابرات گرايش سيستم

1398

1401/12/22

دكتر محمدحسين كهائي

برق

در خوشهبندي چندنما، سعي در يافتن خوشهبندي با مجموعه اي از ويژگيها را داريم، كه داده با استفاده از شبكه عصبي كانولوشني از فضاي اوليه به فضاي ثانويه (فضاي ويژگي) انتقال داده ميشود، براي كاهش ابعاد ويژگيها در هر نما از تجزيه ماتريس نامنفي (NMF) استفاده ميشود. براي يافتن ساختار هندسي ويژگيها، قيدي به مسئله NMF ميافزاييم، كه از گراف براساس اين ويژگيها شكل ميگيرد. با استفاده از روشهاي كلاسيك و يادگيري عميق مانند شبكه خودرمزگذار ويژگيهايي در هر نما استخراج ميشود، كه منجر به افت دقت خوشهبندي ميشود. در اين پژوهش براي اينكه دقت بهتري داشته باشيم، از استخراجكننده ويژگي شبكه عصبي كانولوشني پيشآموزش ديده در هرنما استفاده ميكنيم، كه گراف بر اساس ويژگيهاي سطح بالا شكل ميگيرد. نتايج خوشهبندي داده واقعي در اين پژوهش عملكردي بهتر و مقاومتر را نشان ميدهد، و دقت خوشهبندي اكثر مجموعه دادهها به 99درصد ميرسد. اين نتايج در برابر چالشهاي متفاوتي، همچون تشخيص چهره در شرايط نورپردازي و تعداد دادههاي متفاوت در فضاي مجموعه داده به دست آمده است،كه برتري روش پيشنهادي را نشان ميدهد.

1402/06/05

Multi-view image clustering with deep learning and NMF

3/12/2024 12:00:00 AM

Abstract: In Multi-view clustering, we try to find clustering with a set of features, the data is transferred from the primary space to the secondary space(feature space) using a convolutional neural network. Non-negative matrix decomposition (NMF) is used to reduce the dimensions of the features in each view. To find the geometric structure of the features, we add a constraint to the NMF problem, which is formed from the graph based on these features. By using classical and deep learning methods such as auto-encoder network, features are extracted in each view, which leads to a drop in clustering accuracy. In this research, in order to have better accuracy, we use the pre-trained Convolutional Neural Network feature extractor in each view, which graph is formed based on high-level features. The results of real data clustering in this research show a better and more robust performance, and the clustering accuracy of most data sets reaches 99%. These results have been obtained against different challenges, such as face recognition in lighting conditions and the different number of data in the data set space, which shows the superiority of the proposed method.

خوشهبندي چندنما , استخراج ويژگي , نمايش ابعادكم , خوشهبندي تصاوير , شبكه عصبي كانولوشني

multi-view clustering , feature extraction , low dimensional representation , mage clustering , convolutional neural network

Seydeh Arefeh Mousavi

Dr.MohammadHossein Kahaei