Это более концептуальный вопрос, но я работаю над использованием неконтролируемых конвейеров ML (PCA, t-SNE, полностью подключенные и сверточные автоэнкодеры) для выполнения уменьшения размеров / извлечения признаков для изображений со сложными образцами, чтобы попытаться кластеризовать / классифицировать они используют KMeans.
Однако все эти неконтролируемые трубопроводы дали мне плохие результаты, если не сказать больше. Я исследовал пространство гиперпараметров для всех этих методов (например, до 100 измерений для поиска PCA / сетки для автоэнкодеров), но безуспешно. Выбор метода кластеризации, например спектральной / агломерационной кластеризации, также не улучшает результаты.
Я хотел бы спросить, можно ли использовать более классический рабочий процесс анализа изображений, такой как извлечение признаков с использованием SIFT / извлечение других функций изображений методы, подобные тем, что используются в openCV, для выполнения аналогичного сокращения размеров и кластеризации цифр MNIST таким же образом, как пример scikitlearn PCA-KMeans.
Спасибо за вашу помощь!