OPTICS+denoise

[Yunjong-Boo]

주영이가 WM을 OPTICS로 변환시켜주는 함수를 짜주었고 변환된 이미지에서 넓이가 넓은 순서대로 3번째까지만 표현되도록 denoising하였다.

[Yunjong-Boo]

OPTICS로 변환시켜주는 함수

from sklearn.cluster import OPTICS, cluster_optics_dbscan

def get_optics(x):

  x[x==1] = 0
  coor = np.argwhere(x==2)
  optic = OPTICS(min_samples=2, eps=3).fit(coor)

  coor = coor[:, 0], coor[:, 1]
  x[coor] = optic.labels_+1

  return x

[Yunjong-Boo]

denoising하는 함수

def calculate_area(x):
    cluster_num = np.unique(x)
    cluster_num = np.delete(cluster_num, 0)

    cnt_array = np.array([])
    for num in cluster_num:
        cnt = len(x[x == num])
        cnt_array = np.append(cnt_array, cnt)

    temp = cnt_array.copy()
    temp.sort()
    max_ = temp[-3 if len(temp) >= 3 else -1]

    for num in cluster_num:
        if cnt_array[num - 1] < max_:
            x[x == num] = 0

    return x

[Yunjong-Boo]

ANN

GBM

LR

RF

• 위의 결과들을 제외하고도 다른 결과들을 보면 전반적으로 Near-full, Edge-ring에 대한 성능이 좋으며 Loc, Edge-Loc, Scratch에 대한 성능이 낮게 측정된다.
• 또한 RF, GBM 모델들이 더 성능을 좋게 보여주고있음
• RF: Loc, Edge-Loc에 대한 성능이 떨어짐
• LR: Loc, Edge-Loc뿐만 아니라 Scratch에 대한 성능도 다른 모델들에 비해서 많이 낮게 나오는 경향이 있음
• GBM: 다른 class들에 비해서 Loc, Edge-Loc이 낮지만 전체적으로 가장 좋은 성능을 보여주는 모델임
• ANN: LR과 거의 비슷한 성능을 보이며 역시 Scratch에 대한 성능이 낮게 나옴

[dotoleeoak]

다른 denoise와 비교할 것 (correlation 등 비교)