K-Means的替代品和性能

我一直在閱讀關於相似性度量和圖像特徵提取;大多數論文都把k均值作爲一個很好的統一聚類技術，我的問題是，對於一個特定的集合，k均值聚類有更好的表現嗎？K-Means的替代品和性能

2011-10-13 betolink

很多。 K-means實際上是最天真的算法之一。只有分層聚類通常表現更差。 k-means的最大特點是實現它非常簡單，每個人都可以在任何地方使用它。 –

你可能想看看均值漂移聚類其在K-手段有以下幾個優點：

均值漂移是在OpenCV中實現在CAMSHIFT的形式，其是用於在視頻序列中跟蹤對象均值漂移適應。

如果您需要更多的信息，你可以閱讀有關均值漂移和計算機視覺這個優秀論文： Mean shift: A robust approach toward feature space analysis

2011-10-13 17:44:27

感謝信息和論文，關於聚類的一件事是，我差點燒燬我的舊筆記本電腦，運行帶有200k功能的k-means。也許這將是一個我們可以描述圖像的時刻，因爲我們的大腦在視覺皮層中進行，我們將用更少但更復雜的功能進行工作。 – betolink

一個簡單的第一步，你可以概括K-手段EM。但是有大量的聚類方法可用，您需要的聚類方式取決於您的數據（特徵）和應用程序。在某些情況下，即使你使用的距離很遠，也可能需要做某種距離轉換，如果它不在你想要的空間中。

2011-10-28 07:30:37 sumodds

回答