基于迁移学习与 k-means 聚类的无监督机器学习对材料图像数据的分类
材料科学
2021-04-13 v1 机器学习
图像与视频处理
摘要
无监督机器学习为从未标记数据集中提取知识以及实现最佳机器学习性能提供了重要机会。本文展示了如何构建、使用并评估一个高性能无监督机器学习系统，用于对广受欢迎的微观结构数据集中的图像进行分类。东北大学钢表面缺陷数据库包含热轧钢上观察到的六种不同缺陷的显微图像，其格式便于训练和评估图像分类模型。我们使用在 ImageNet 自然图像数据集上预训练的 VGG16 卷积神经网络提取每张显微图像的特征表示。在应用主成分分析从特征描述符中提取信号后，我们使用 k-means 聚类对图像进行分类，无需标记训练数据。该方法达到 的准确率，所得模型可用于分类新图像而无需重新训练。与先前研究相比，该方法在性能和实用性上均有提升。我们进行了敏感性分析以更好理解各步骤对分类性能的影响。结果为将无监督机器学习技术应用于材料科学中关注的问题提供了见解。
引用
@article{arxiv.2007.08361,
title = {Unsupervised machine learning via transfer learning and k-means clustering to classify materials image data},
author = {Ryan Cohn and Elizabeth Holm},
journal= {arXiv preprint arXiv:2007.08361},
year = {2021}
}
备注
18 pages, 13 figures, Integr Mater Manuf Innov (2021)