【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种记忆狄利克雷过程高斯混合模型的训练方法及装置。
技术介绍
1、图像聚类是一项重要的无监督学习任务，其目的是在类别标签不可用时将图像分类到不同的簇中，由于深度学习的出现，深度聚类方法取得了令人惊喜的进展，并逐渐成为图像聚类研究的主流。然而，现存的大多数深度聚类方法都侧重于有参图像聚类，即在给出聚类簇个数这一先验信息下进行聚类。但是在实际应用场景中，聚类簇个数往往是不可知的。
2、在未知聚类簇个数的情况下，现有的深度聚类方法在大型数据集上往往非常缓慢，效率低下，不适合广泛的应用，也很难达到良好的效果。
3、因此，在非参聚类问题上，如何构建一个高效的、可以解决大规模数据集并与端到端深度学习方法集成的模型，已成为业界亟待解决的技术问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种记忆狄利克雷过程高斯混合模型的训练方法及装置。
2、第一方面，本专利技术提供一种记忆狄利克雷过程高斯混合模型的训练方法，包括：
...【技术保护点】
1.一种记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述将所述强增强图像对应的第三特征矩阵输入记忆狄利克雷过程高斯混合模型的深度变分推理网络中，确定变分推理损失函数，包括：
3.根据权利要求1所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述基于极化去噪策略，所述样本图像对应的第一特征矩阵和所述第二特征矩阵对应的第一预测聚类标签，确定所述样本图像对应的极化标签矩阵，包括：
4.根据权利要求3所述的记忆狄利克雷过程高斯混合模型的训练...
【技术特征摘要】
1.一种记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述将所述强增强图像对应的第三特征矩阵输入记忆狄利克雷过程高斯混合模型的深度变分推理网络中，确定变分推理损失函数，包括：
3.根据权利要求1所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述基于极化去噪策略，所述样本图像对应的第一特征矩阵和所述第二特征矩阵对应的第一预测聚类标签，确定所述样本图像对应的极化标签矩阵，包括：
4.根据权利要求3所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述基于所述极化标签矩阵和所述第三特征矩阵对应的第二聚类标签矩阵，确定极化对比损失函数，包括：
5.根据权利要求1所述的记忆狄利克雷过程高斯混合模型的训练方法，其特征在于，所述获取样本图像对应的第一特征矩阵、弱增强图像对应的第二特征矩阵和强增强图像对应的第三特征矩阵之后，包括：
6.根据权利要求2所述的记忆狄利克雷过...
【专利技术属性】
技术研发人员：钱胜胜，徐常胜，张胜杰，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。