文献

J-GLOBAL ID：202102288354727543   整理番号：21A0568703

近傍連想と画像セグメンテーションアプリケーションの教師なしクラスタリング【JST・京大機械翻訳】

Unsupervised Clustering of Neighborhood Associations and Image Segmentation Applications

著者 (8件)： Wang Zhenggang (Chengdu Computer Application Institute Chinese Academy of Sciences, Chengdu 610041, China) ,  Wang Zhenggang (University of Chinese Academy of Sciences, Beijing 100864, China) ,  Wang Zhenggang (Chengdu Customs of China, Chengdu 610041, China) ,  Li Xuantong (Chengdu Customs of China, Chengdu 610041, China) ,  Jin Jin (Chengdu Computer Application Institute Chinese Academy of Sciences, Chengdu 610041, China) ,  Jin Jin (University of Chinese Academy of Sciences, Beijing 100864, China) ,  Liu Zhong (University of Chinese Academy of Sciences, Beijing 100864, China) ,  Liu Wei (Chengdu Customs of China, Chengdu 610041, China)
資料名： Algorithms (Web)  (Algorithms (Web))
巻： 13  号： 12  ページ： 309  発行年： 2020年 
JST資料番号： U7130A  ISSN： 1999-4893  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 不規則な形状クラスタリングは常にクラスタリング解析における困難な問題である。本論文では,既存のクラスタリング解析アルゴリズムの長所と短所を分析することにより,任意形状のクラスタを迅速に発見するための新しい近傍密度相関クラスタリング(NDCC)アルゴリズムを提案した。あらゆるクラスタサンプルデータセットの中心領域の密度がエッジ領域のものより大きいので,データポイントをコア,エッジ,およびノイズデータポイントに分割して,次にそれらの近傍におけるコアデータポイントの密度相関をクラスタを形成するために使用することができる。さらに,目的関数を構築し,自動的にパラメータを最適化することにより,大域的最適解に近い局所最適結果を得た。このアルゴリズムはクラスタ間の等密度点に起因するクラスタ化誤差を避ける。このアルゴリズムを他の5つのクラスタリングアルゴリズムと比較し,2つの一般的なリモートセンシング画像データセットで検証した。結果は,それが1つのクラスに遠隔観測画像において同じ地上対象物をクラスタ化することができて,いろいろな地盤対象物を区別することができることを示した。NDCCには不規則な散乱データセットに強いロバスト性があり,リモートセンシング画像のクラスタ化問題を解決することができる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  雑音 ,  散乱 ,  *クラスタ化 ,  リモートセンシング ,  *クラスタ ,  *応用プログラム ,  目的関数 ,  ロバスト性
準シソーラス用語： 最適解 ,  *画像セグメンテーション ,  リモートセンシング画像 ,  クラスタリングアルゴリズム , 【Automatic Indexing@JST】

著者キーワード (5件)： 不規則形状クラスタ ,  自動パラメータ最適化 ,  近傍接続 ,  点密度 ,  リモートセンシングクラスタリング

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (39件)：

• Borjigin, S. Non-unique cluster numbers determination methods based on stability in spectral clustering. Knowl. Inf. Syst. 2013, 36, 439-458.
• Wang, W. STING: A Statistical Information Grid Approach to Spatial Data Mining. In Proceedings of the 23rd Very Large Database Conference, Athens, Greece, 25-29 August 1997.
• Jin, X.; Han, J. K-Means Clustering. In Encyclopedia of Machine Learning and Data Mining; Springer: Berlin, Germany, 2017.
• Liu, X.; Zhu, X.; Li, M.; Wang, L.; Zhu, E.; Liu, T.; Kloft, M.; Shen, D.; Yin, J.; Gao, W. Multiple Kernel k-means with Incomplete Kernels. IEEE Trans. Pattern Anal. Mach. Intell. 2019, 42, 1191-1204.
• Zeidat, N.M.; Eick, C.F. K-me Generation. In Proceedings of the International Conference on International Conference on Artificial Intelligence, Louisville, KY, USA, 18 December 2004.

タイトルに関連する用語 (5件)： 近傍 ,  連想 ,  画像セグメンテーション ,  アプリケーション ,  教師なしクラスタリング