Machine learning 基于相似性的图像聚类

我面临一个基于相似性的图像聚类问题，而不知道聚类的数量。理想情况下，我希望实现类似于此的目标（这张图片是卷积神经网络的结果，它代表了它学习到的群体）

因为我对它们的分类（我不知道类别）不感兴趣，所以我最感兴趣的是它们的“视觉”特性：颜色、形状、梯度等。 我发现很多文章建议使用DBSCAN、t-SNE甚至k-means等算法，但有更好的解决方案吗？有人建议使用HOG转换，但老实说，不知道如何将其缝合在一起

---

因此，总而言之，如何根据图像的颜色和形状属性将图像（在2D平面上，分为组、文件夹等）分离？t-SNE实际上非常适合您尝试做的事情

t-分布随机邻居嵌入（t-SNE）是一种新的嵌入方法 （获奖）降维技术，即 特别适合高维图像的可视化 数据集

你可以阅读更多关于它的内容

像往常一样，sklearn有一个非常友好的用户界面，可以快速试用

---

我希望这会有所帮助……

我可能理解人们为什么会否决这个问题：因为多年的相关帖子几乎没有什么好的答案，而且这个问题非常复杂。不过，更重要的是：

不幸的是，图像信息的维数高于二维。链接的照片只是从高维空间到平面的投影，不一定代表实际空间的外观。这个特定的投影主要是关于颜色的，不是吗

这同样适用于试图将集群压缩到文件夹中——在大多数情况下，这是不可能的

但您在问题中正确地指出了具体的比较维度： 我如何根据图像的颜色和形状属性将其分离（在二维平面上，分为组、文件夹等）

解决方案是关注您感兴趣的相似性维度/度量。例如，特别是“此图像是否包含圆？”，并为此进行优化。但是如果你想要一个“正方形”，你已经在另一个维度了。如果对颜色进行优化，您可以查看“整体红色”。添加的度量越多，集群维度就越高

我们的感知是这样的。我们针对特定的汇总指标，例如标量值，它是不同维度中加权指标的总和（排名问题）。例如，如果你想要有“眼睛”的照片，你不关心颜色的变化。反之亦然，如果你更关心颜色，形状就不那么重要了

---

根据我的经验，当图像簇相对一致时，聚类更容易。例如，每个潜在集群中的图片在某种程度上非常相似。例如，一组是“桥”，另一组是“面”。如果您有任何可能的主题的非常不同的图像（甚至是噪音），解决方案是难以解决的，除非您明确指定要分组的对象。

该图像不显示聚类，而是显示可视化。确保您已了解在那里执行的不同步骤（或未执行-无群集）。整个主题太复杂，无法在这里简单回答-CNN是一个复杂的主题。太广泛而无法回答/教程要求->投票结束作为离题。你是对的，我需要的是可视化而不是聚类。谢天谢地，我在“聚类”而不是“可视化”的错误类别下寻找。这很有帮助