【技术实现步骤摘要】
本专利技术属于计算机图像聚类领域，具体地说，涉及一种基于resnet50改进自编码器的深度卷积嵌入聚类方法、存储介质、终端设备。
技术介绍
1、在近年来，基于深度神经网络的射频干扰图像分类方法涌现。例如，u-net算法能在天文台收集的射频干扰图像上进行识别操作，取得了高度公认的识别率。然而，监督学习方式存在先验知识不足的问题，并且，人工注释类别的过程中，不仅面临难以人工标注类别的困难，同时也存在着人工分类标注成本过高的问题。因此，无需依赖任何前期知识，只需对数据进行无监督分类的聚类分析显得尤为重要。这对于射频干扰图像特别重要，因为聚类能根据实际数据的集中区域，自动划分出不同的种类，这显著降低了模型训练的前期成本。然而，当我们面对射频干扰图像时，无论是常规的聚类技术，还是基于深度神经网络的聚类技术，都面临同样的问题，即鲜有相关研究存在，相关技术并不丰富。换句话说，针对射频干扰图像的聚类技术在当前的
并不常见，我们也非常缺乏基于深度神经网络的聚类技术的相关实践经验和理论指导。
2、此外，现有的深度聚类方法一般采用的是简单的...
【技术保护点】
1.一种基于Resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于Resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，在步骤三中，利用Resnet50结构为主体搭建编码器部分并用简单的结构搭建解码器组成最终的自编码器，通过解码器部分将低维嵌入空间中的特征向量表示转换回重构的图像，并通过计算重构图像与原始输入图像之间的差异，得到重构损失。
3.根据权利要求2所述的一种基于Resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，通过重构损失Lr来学习自编码器的参数w和，使用以下均
【技术特征摘要】
1.一种基于resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，在步骤三中，利用resnet50结构为主体搭建编码器部分并用简单的结构搭建解码器组成最终的自编码器，通过解码器部分将低维嵌入空间中的特征向量表示转换回重构的图像，并通过计算重构图像与原始输入图像之间的差异，得到重构损失。
3.根据权利要求2所述的一种基于resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，通过重构损失lr来学习自编码器的参数w和，使用以下均方误差损失函数：
4.根据权利要求1所述的一种基于resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，在步骤五中，聚类层保持聚类中心作为可训练权重，通过学生t-分布将每个嵌入点映射到软标签中，利用dcec算法使用聚类中心来计算软标签，即图像属于每个聚类的概率分布。
5.根据权利要求4所述的一种基于resnet50改进自编码器的深度卷积嵌入聚类方法，其特征在于，软标签分布公式如下：...
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。