无监督

使用密集轨迹和转导学习，细节改进的Matlab代码介绍了一种无监督试管提取算法，用于从视频中提取动作。该方法已在Matlab R2015a上进行了Linux平台测试，并提供了该算法的Matlab实现。如果您认为此无监督试管提取方法对您的研究有帮助，请考虑引用以下文献：@inproceedings{marian2015unsupervised, title={Unsupervised Tube Extraction Using Transductive Learning and Dense Trajectories}, author={Marian Puscas, Mihai and Sangi

无监督聚类的删除类标号技巧，挺适合做特征抽取前的预，尤其你想丢掉已有标签让模型自己去发现结构。用的是WEKA这套老牌工具，界面操作上手快。你只需要把有标签的数据丢进去，选好聚类算法，比如EM或SimpleKMeans，运行后就能把原来的类标忽略掉，得到一组纯聚类的结果，后面你拿它去做特征可视化也方便。页面讲得还挺详细，步骤截图也清楚，新手照着做问题不大。如果你手上数据标签不靠谱，或者你本来就想试试模型自己分群的效果，这方法还挺值得一用。

Autoclass 算法的无监督分类方式挺适合数据量不太确定、属性类型混合的情况。基于Bayesian 网络，你不用提前设定分类标签，它会根据你指定的概率分布，自己尝试不同的分类方式，选出几个还不错的结果。嗯，像用户画像、日志数据这种不太规则的场景，还挺顺手的。 连续属性的话，你要自己是正态分布还是别的啥分布；离散属性就简单了，列出所有的取值就行。还有个小技巧，属性之间如果有关联，可以预先设定联合分布，模型效果会更稳定。 Autoclass 比较适合拿来做探索性的，比如你手里有一堆看不懂的数据，不知道该怎么分组，就可以丢给它试试看。响应还挺快，不同类型的数据也比较灵活。 你如果对概率分布不太熟

Prim Matlab代码用于无监督图像匹配和目标发现，由Huy V. Vo等人于CVPR 2019提出。入门代码使用Matlab 2017a编写，可能需要修改以适应其他版本。安装步骤：首先执行git clone https://github.com/vohuy93/OSD.git，然后cd OSD。依赖关系：下载使用随机Prim算法生成区域建议的代码，并放入UODOptim/文件夹，执行git clone https://github.com/smanenfr/rp.git，接着运行cd rp; matlab -r "setup"。测试代码主要在VOC_6x2上运行，脚本为scripts/r

Vanilla Temporal Pooling是由中国哈尔滨工业大学语音实验室的Jiqing Han和Shiwen Deng开发的一种音频信号无监督时序特征学习方法。该方法利用非线性支持向量回归(SVR)直接连接BoAW直方图序列与时间索引，有效地捕获任意持续时间的音频信号时间动态模型。此外，为了提升特征表示的信号重构能力，我们还嵌入了稀疏编码方法于传统的BoAW框架中。如果您对我们的研究感兴趣，请引用：@article{zhang:2018:temporal pooling, title={Unsupervised Temporal Feature Learning Based on Sp

非监督分类与监督分类流程对比 | 流程步骤 | 监督分类 | 非监督分类 | 备注 ||---|---|---|---|| 1. 初步分类 | √ | √ | || 2. 选择训练样本 | √ | | 仅监督分类需要 || 3. 确定分类器 | √ | | 仅监督分类需要 || 4. 分类合并专题判断 | | √ | 仅非监督分类需要 || 5. 分类后处理 | √ | √ | || 6. 检验分类结果 | √ | √ | || 7. 统计分析、输出结果 | √ | √ | |

FastAlign是一个简单、快速且无监督的Matlab代码IST，用于字对齐。如果您使用此软件，请确保遵循适当的引用要求。源代码可在此存储库中找到。输入格式要求将句子对按照 ||| 分隔，并进行标记化处理。示例包括德语-英语平行语料库的使用。构建FastAlign需要现代C++编译器和构建系统，同时可以优化性能使用OpenMP库。

本研究利用VGG16卷积神经网络对微观结构图像进行特征提取，并结合M3C聚类算法实现无监督分类。 数据与方法: 本研究使用包含1925张图像的数据集，从中随机选取100张进行分析。 首先，利用预训练的VGG16网络提取图像特征，具体而言，使用第五个卷积层的输出，并进行平均池化以降低特征维度。 接着，使用M3C聚类算法对提取的特征进行聚类分析，确定最佳聚类数量。 最后，利用项目共识值识别高置信度和不明确的数据，用于后续半监督学习框架的训练。 数据共享: Python、R和Matlab之间的数据共享通过Excel文件实现。 所需软件包: Python: Keras, Numpy, Xlsx

ICCV 2019在首尔举办，由韩国新加坡国立大学计算机科学系发布的文章{li2019usip}介绍了USIP检测器：一种无监督的稳定兴趣点检测器，能够在任何3D点云变换下精准检测高度可重复的关键点，无需地面真实训练数据。ModelNet40、Redwood、Oxford RobotCar和KITTI通过USIP检测到的关键点示例也已展示。存储库中包含了用于牛津机器人车、KITTI、SceneNN、ModelNet40、3DMatch的点云关键点检测器和描述符。

什么是无监督学习 无监督学习的类型 聚类 降维 异常检测 无监督学习的应用 客户细分 模式识别 欺诈检测