.png){kind=icon}
返回
HPSCAN: Human Perception-Based Scattered Data Clustering
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.15275.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚类分离通常是由广泛使用的聚类技术（如k-means或DBSCAN）解决的问题。然而，这些算法基于非感知性指标，我们的实验表明，它们的输出并未反映人类的聚类感知。为弥合人类聚类感知与机器计算聚类之间的差距，我们提出了HPSCAN，一种直接作用于离散数据的学习策略。为学习此类数据上的感知性聚类分离，我们将双变量（散点图）数据集的标注工作众包给384名人类参与者。我们使用这些人工标注的数据训练HPSCAN模型。我们没有将这些数据渲染为散点图图像，而是使用它们的x和y坐标点作为输入，送入修改后的PointNet++架构中，从而实现直接对点云进行推断。在本工作中，我们详细介绍了我们如何收集数据集，报告了生成的标注的统计信息，并研究了真实世界数据中聚类分离的感知一致性。我们还报告了HPSCAN的训练与评估流程，并引入了一个新指标，用于衡量聚类技术与一组人工标注者之间的准确度。我们探索了预测点级人类一致性的方法以检测歧义。最后，我们将我们的方法与10种既定的聚类技术进行比较，并证明HPSCAN能够泛化到未见及领域外的数据。
Keyword:
computer vision—shape recognition
information visualization
methods and applications
point-based methods
visualization
期刊
IF:
2.9
论文数:
570
被引数:
1.1W
机构
引用论文
.png){kind=icon}
Modeling the Influence of Visual Density on Cluster Perception in Scatterplots Using Topology使用拓扑学对散点图中视觉密度对聚类感知的影响进行建模
OAAI
OAAI分享收藏A novel self-organizing map (SOM) neural network for discrete groups of data clustering一种用于离散数据聚类的新型自组织映射 (SOM) 神经网络
PREAI
分享收藏ClustML: A measure of cluster pattern complexity in scatterplots learnt from human-labeled groupingsClustML：一种基于人工标注分组学习的散点图中聚类模式复杂度的度量方法OAAI
OAAI分享收藏分享收藏
查看更多内容