无监督深度学习图像分类思路

原址：     https://blog.csdn.net/m0_37160535/article/details/79790860

非监督分类——非监督分类只能把样本区分为若干类别，而不能给出样本的描述，（以什么标准来聚类呀）如果有具体的分类标准，这和监督学习有啥区别，卷积神经网络训练就是训练滤波器。举个例子，狗和猫的分类，如果一开始的聚类标准是都有四条腿，那它们属于一类呀。无监督学习一开始的分类标准又是怎么定义的呢，怎么学习的呢。博客园上有人对无监督学习举了个形象的例子，说古时候祖先狩猎时，用粗糙的石头很难把毛皮割开，于是第二天就用薄一点的石头去割。我认为这还是属于监督学习思想呀。这里目标函数就是使力气最小化。想到我吃狗肉的时候，那卖狗肉的都是用手给我撕的肉，因为这样好吃。那图片分类中一开始的聚类依据怎么定义呢？？？？？我去搜一下你说的最邻近发、K-means均值算法到底是啥吧？

：其类别的属性是通过分类结束后目视判读或实地调查确定的。

非监督分类也称聚类分析

相似性度量

非监督法与监督法都是以图像的灰度为基础

分类方法：
（一）波普图形识别分类
（二）聚类分析：
    1.动态聚类。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法（ISODATA）等。
    2.模糊聚类法。模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类.。
    3.系统聚类。这种方法是将影像中每个像元各自看作一类，计算各类间均值的相关系数矩阵，从中选择最相关的两类进行合并形成新类，并重新计算各新类间的相关系数矩阵，再将最相关的两类合并，这样继续下去，按照逐步结合的方法进行类与类之间的合并，直到各个新类间的相关系数小于某个给定的阈值为止。

    4.分裂法。又称等混合距离分类法，它与系统聚类的方法相反，在开始时将所有像元看成一类，求出各变量的均值和均方差，按照一定公式计算分裂后两类的中心，再算出各像元到这两类中心的聚类，将像元归并到距离最近的那一类去，形成两个新类. 然后再对各个新类进行分类，只要有一个波段的均方差大于规定的阈值，新类就要分裂。

《无监督深度学习彩色图像识别方法-康晓东，王 昊，郭 军，于文勇》