《複雜結構的“自發性選擇”聚類研究》是依託南京理工大學，由丁軍娣擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：複雜結構的“自發性選擇”聚類研究
- 項目類別：青年科學基金項目
- 項目負責人：丁軍娣
- 依託單位：南京理工大學
項目摘要,結題摘要,
項目摘要
進行該項目的研究目的和意義在於：第一、將人腦選擇性注意機制與複雜聚類分析研究結合起來，豐富和發展聚類分析方向的理論體系；第二、從技術層面上設計快速高效的適用於複雜結構的自發選擇聚類框架，推動聚類研究在模式識別、計算機視覺等多學科領域的套用發展。本項目研究的預期成果是：(1)結合人腦選擇性注意機制，生成提取數據依賴的顯著特徵；(2)構建通用性較強的數據結構顯著性映射；(3)深入分析現有完全聚類方法的優缺點，嵌入數據結構顯著性映射，設計新的自發性選擇聚類方法，降低其各自算法對複雜數據的聚類時間，並改善其各自原有算法的聚類性能，拓寬聚類研究的實際套用範圍。
結題摘要
基於人腦“自發性”選擇機制的原理，本課題主要 1. 提出了一個多層核心凝聚聚類算法，針對複雜結構的數據獲得有效的聚類結果，克服了傳統聚類算法單一依賴於某個或幾個聚類中心選取的缺陷；並且，隨著數據規模逐層減少，聚類速度迅速減少，因此算法收斂也有保證，能對大規模數據集進行聚類。最後，實驗結果也表明，逐層凝聚聚類具備一定的抗噪聲能力，最終聚類結果受噪聲數據影響較小；能發現各種形狀的聚類。 2. 提出一個融合多個視覺顯著性因素的機率框架算法，針對大量自然圖像進行目標分割和檢測，強強聯合了多種顯著性因素的作用，取長補短，彌補了單一顯著性因素（如局部對比度、稀有性、中央偏置等）的短處，能較好地發現圖像中的顯著目標。置三大模組於一個整體的Bayesian學習框架中，針對自然場景預測哪些是顯著部分，哪些是視覺關注點。相較於其它單一模組的方法，實驗結果更接近於人們“自發”關注的區域，例如，人眼、鼻子部分。實驗結果也表明，不管圖像中顯著目標在哪裡，不管圖像中是否目標與背景對比度較小，不管圖像中目標是否占有圖像一半以上大小，算法都能較好地將目標凸顯出來； 3. 提出了一個巧妙利用視覺顯著性，針對路面裂縫進行有效檢測的算法。路面裂縫複雜多樣，很多都是路面情況和裂縫之間的灰度對比度非常小，導致本來連通的裂縫似乎“斷裂”，常規檢查方法對此往往顯得束手無策。為此，針對圖像區域間的局部對比度和灰度稀有性等顯著特徵，提出一個新穎的無監督方法，使其能夠融合相鄰“可能”裂縫像素間的局部連通性，最終得到比現有方法更為準確的檢測結果。 4. 提出了一個不依賴於聚類中心的模糊分割算法。出發點在於，常規的模糊算法套用於圖像分割時，非常依賴於初始聚類中心的設定；然而，自然圖像中目標千變萬化，形態各異，很多沒有一個規則的聚類中心存在。因此，提出無需聚類中心的模糊算法，針對現有經典算法的分割結果進行逐步合併，最終獲得分割結果，應該更為合理。大量實驗結果也表明，對一些較為複雜的動物，不管其姿態如何，算法都能較為理想地將目標分割出來。
