بررسی کوتاه در مورد پیشرفت های اخیر در خوشه بندی
چکیده
شناسایی شی در ویدیو که موقعیتش گاهاً در ویدیو تغییر می کند، در میان بحرانی ترین مراحل کاربرد دید کامپیوتر، مثل استخراج اشیاء، نظارت ویدیویی، دسته بندی و شناسایی الگو جای دارد. در این مقاله شیوه جدیدی برای تشخیص اشیاء متحرک درمحیط نویزی پیشنهاد شده است. در الگوریتم پیشنهادی، از مدل مخلوط گاوسی برای استخراج شی متحرک و سپس از روش جریان نوری برای کسب سریع نتایج بدون خطا و سپس از تفاضل قاب برای استخراج درست اشکال استفاده می شود. الگوریتم روی ویدیوهای مختلف در موقعیت های محیطی گوناگون مورد تجزیه و تحلیل قرار گرفته و تست شده است. نتیجه بدست آمده ثابت می کند الگوریتم مطمئن تر بوده، تشخیص دقیق تر و حتی از لحاظ نیازهای هزینه و حافظه پائین می باشد.
1. مقدمه
ویدیو شکلی از داده های چند رسانه ای متشکل از بخشهای دیداری، متون و شنیداری می باشد. هدف ویدیوکاوی استخراج الگوهای مرتبط از ویدیوها است. یکی از کاربردها و اپلیکیشن هایی که از ویدیوکاوی برای استخراج اشیاء متحرک در ویدیو استفاده می کند، تشخیص حرکت است. شناسایی شی متحرک در ویدیو (شی که جابجا می شود)، یکی از بحرانی ترین مراحل در کاربردهای دید کامپیوتر مثل تشخیص چهره، نظارت بر ترافیک، تشخیص انسانها در ویدیو و پیش بینی فعالیتهای آنها و سایر فیلدها می باشد. در میان اینها، نظارت ویدیویی یا تصویری، به خاطر افزایش نرخ جرم و جنایت و بسیاری از موضوعات اجتماعی، به عنوان فعالترین حوزه تحقیق شناخته شده است.
Abstract
Unsupervised learning (clustering) deals with instances, which have not been pre-classified in any way and so do not have a class attribute associated with them. The scope of applying clustering algorithms is to discover useful but unknown classes of items. Unsupervised learning is an approach of learning where instances are automatically placed into meaningful groups based on their similarity. This paper introduces the fundamental concepts of unsupervised learning while it surveys the recent clustering algorithms. Moreover, recent advances in unsupervised learning, such as ensembles of clustering algorithms and distributed clustering, are described.
1 Introduction
Cluster analysis is an unsupervised learning method that constitutes a cornerstone of an intelligent data analysis process. It is used for the exploration of inter-relationships among a collection of patterns, by organizing them into homogeneous clusters. It is called unsupervised learning because unlike classification (known as supervised learning), no a priori labeling of some patterns is available to use in categorizing others and inferring the cluster structure of the whole data. Intra-connectivity is a measure of the density of connections between the instances of a single cluster. A high intra-connectivity indicates a good clustering arrangement because the instances grouped within the same cluster are highly dependent on each other. Inter-connectivity is a measure of the connectivity between distinct clusters. A low degree of interconnectivity is desirable because it indicates that individual clusters are largely independent of each other.
چکیده
1. مقدمه
2. روشهای تقسیم بندی
3. خوشه بندی سلسله مراتبی
4. خوشه بندی مبتنی بر چگالی
5. خوشه بندی مبتنی بر شبکه
6. روشهای مبتنی بر مدل
7. مجموعه های الگوریتم های خوشه بندی
8. نتیجه گیری
Abstract
1 Introduction
2 Partitioning Methods
3 Hierarchical Clustering
4 Density-based Clustering
5 Grid-based Clustering
6 Model based Methods
7 Ensembles of Clustering Algorithms
8 Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه