面向均衡聚类的熵感知相似性：以黑色素瘤检测为例
图像与视频处理
2023-05-26 v1 计算机视觉与模式识别
机器学习
摘要
数据聚类是一种无监督学习方法，旨在将一组数据点划分为多个组。它是机器学习与数据挖掘中关键且具挑战性的课题，其成功应用遍及诸多领域。然而，传统聚类技术在特定应用中须考虑均衡性的重要意义。因此，本文针对非均衡聚类问题的挑战，提出一种利用熵感知相似性（可定义为均衡程度）的均衡聚类新方法。我们创造了术语“面向均衡聚类的熵感知相似性”（EASB），其通过非均衡数据的互补聚类，并将熵纳入考虑角差异与距离的崭新相似性公式，在聚类过程中最大化均衡性。所提方法的有效性在实际黑色素瘤医学数据上评估，具体为国际皮肤影像协作（ISIC）2019 与 2020 挑战数据集，以展示其如何在保持均衡的同时成功聚类数据。最后，相较于经典方法，我们确认所提方法在黑色素瘤检测中表现出卓越性能。
引用
@article{arxiv.2305.15417,
title = {Entropy-Aware Similarity for Balanced Clustering: A Case Study with Melanoma Detection},
author = {Seok Bin Son and Soohyun Park and Joongheon Kim},
journal= {arXiv preprint arXiv:2305.15417},
year = {2023}
}