暴力涨点！K - Means聚类准确率高达94.61%

最新推荐文章于 2025-04-01 09:47:31 发布

Ai多利

最新推荐文章于 2025-04-01 09:47:31 发布

阅读量750

点赞数 25

文章标签：聚类数据挖掘机器学习 K - Means

本文链接：https://blog.csdn.net/2401_88556812/article/details/145318940

版权

2025深度学习发论文&模型涨点之——K - Means聚类

K - Means聚类算法是一种经典的划分方法聚类算法。它通过将数据集划分为K个簇（clusters）来实现聚类。每个簇由一个中心点（centroid）来代表，这个中心点是簇内所有点的均值。算法的目标是使得簇内的数据点尽可能相似，而不同簇之间的数据点尽可能不同。

在图像处理领域，K - Means聚类算法可以用于图像分割。将图像中的像素点作为数据点，每个像素点的特征可以是其颜色值（如RGB值）。通过聚类将像素点划分到不同的簇中，每个簇代表图像中的一个区域。例如，在医学图像分析中，可以将MRI图像中的不同组织（如脑组织、肿瘤组织等）通过聚类算法区分开来，为医生的诊断提供辅助。

我整理了一些K - Means聚类【论文+代码】合集，需要的同学公人人人号【AI创新工场】自取。

论文精选

论文1：

Using K-means to Analyze Out-of-Bound Unusual Network Traffic and to Predict Data Theft Malware on a Hospital Network

使用K-means分析医院网络中的异常网络流量并预测数据窃取恶意软件

方法

数据收集：从医院网络中的多种设备（如路由器、交换机、防火墙等）收集网络流量数据，涵盖TCP/IP数据包、路由信息、以太网帧等多种网络流量类型。

特征选择与提取：基于数据包大小、流持续时间、字节计数、协议类型等关键特征，运用统计方法计算聚合度量，如均值、方差和熵，以及时间序列分析来识别趋势和模式。

K-means聚类：利用K-means聚类算法将网络流量数据基于特征相似性划分为不同的簇，通过迭代分配数据点到簇并更新簇中心来实现。

异常检测：分析K-means算法得到的聚类结果，将分配到与大多数数据显著不同中心的簇的数据点标记为异常。

创新点

综合评估：使用精确度、召回率和F1分数等指标全面评估系统性能，通过案例研究展示了系统在检测数据窃取恶意软件、未授权访问尝试和僵尸网络活动等多样化异常方面的有效性。

性能提升：与传统方法相比，所提出的系统不仅实现了高性能，还具有可扩展性和效率，使其成为医疗保健环境中实时网络监控的宝贵工具。具体而言，系统在检测多样化异常方面表现出色，如数据窃取恶意软件的检测准确率提高了X%，未授权访问尝试的检测召回率提升了Y%，僵尸网络活动的检测F1分数达到了Z%。

论文2：

kMaX-DeepLab: k-Means Mask Transformer

kMaX-DeepLab：k-Means掩码变换器

方法

k均值掩码变换器（kMaX-DeepLab）：提出了一种新的分割框架，将像素特征和对象查询之间的交叉注意力学习重新表述为聚类过程。

k均值交叉注意力：受传统k均值聚类算法启发，重新设计交叉注意力机制，用聚类中心维度的argmax操作替换原始交叉注意力中的softmax操作。

像素编码器和增强像素解码器：像素编码器提取像素特征，增强像素解码器通过变换器编码器或轴向注意力恢复特征图分辨率并增强像素特征。

kMaX解码器：将对象查询（聚类中心）转换为掩码嵌入向量，从k均值聚类的角度进行处理。

创新点

性能提升：在COCO验证集上，使用标准ResNet-50作为骨干网络，kMaX-DeepLab相较于原始交叉注意力方案，PQ（Panoptic Quality）提升了5.2%，且几乎没有增加额外参数和计算量。与最先进的方法相比，使用简单的ResNet-50骨干网络的kMaX-DeepLab已经超越了使用更强骨干网络的MaX-DeepLab，PQ提升了1.9%，同时参数和FLOPs分别减少了7.9倍和22.0倍。

简化模型：通过将多头交叉注意力替换为提出的单头k-means聚类，简化了掩码变换器模型，为分割任务定制了基于变换器的模型。

训练收敛：kMaX-DeepLab显示出一致且显著的改进，并且在150k迭代时趋于收敛，而MaX-DeepLab需要更多的训练迭代才能收敛。