Nov, 2015

卷积聚类用于无监督学习

HTML
PDF
TL;DR本文介绍了一种基于增强版k-means聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在STL-10数据集上获得74.1%的测试准确率以及在MNIST数据集上仅有0.5%的测试误差。
发现论文，激发创造
  • 非参数聚类的深度学习

    本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。

    Jan, 2015

  • 朝向适合K均值算法的空间：同时进行深度学习与聚类

    本文提出了一种利用深度神经网络实现联合降维和K-means聚类的方法，通过学习非线性函数的深度神经网络，以期获得更好的聚类和降维效果。

    Oct, 2016

  • CNN特征在无监督分类方面表现出色

    本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的ImageNet中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

    Jul, 2017

  • 深度学习聚类：分类与新方法

    本文提出了基于深度神经网络的系统聚类方法及分类法，并通过案例研究证明该分类法可用于创造新的聚类方法以克服其个别限制，而实验结果表明该方法能够达到甚至超过现有最高的聚类质量。

    Jan, 2018

  • Deep k-Means: $k$-Means和学习表示同时进行的聚类方法

    本文研究了联合聚类和学习表示问题，提出了一种在 $k$-Means 聚类中基于目标函数连续重新参数化的方法，该方法在多个数据集上经过测试证明其在聚类对象的同时学习表示方面的有效性。

    Jun, 2018

  • 深度聚类用于视觉特征无监督学习

    本文介绍了DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。

    Jul, 2018

  • 深度聚类：判别模型与K-means之间的联系

    本研究表明，最近的一些判别模型等价于K-means，并且证明对于常用的逻辑回归后验概率，通过交替方向方法最大化L2正则化的互信息等价于软化和正则化的K-means损失。这一理论分析不仅将最近的一些判别模型直接联系到了K-means，并且提出了一种新的软化和正则化的深度K-means算法，在几个图像聚类基准测试中表现出色。

    Oct, 2018

  • 具体K-means深度聚类

    本研究旨在探讨从未标记数据中同时学习K-means聚类和深度特征表示的问题，通过Gumbel-Softmax重参数化技巧的梯度估计器解决了原问题，并通过标准聚类基准测试证明了方法的有效性。

    Oct, 2019

  • 深度聚类综述：分类，挑战和未来方向

    本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

    Jun, 2022

  • 超越ImageNet-1K的深度聚类方法的扩展

    在大规模基准数据集上，探索了基于特征的深度聚类方法的性能表现，并分析了数据相关因素对其影响，包括类别不平衡、类别粒度、易于识别的类别和捕获多类别的能力。通过基于ImageNet21K的多个新基准评估实验，发现基于特征的$k$-means在平衡数据集上评估不公平，而深度聚类方法在大多数大规模基准数据集上表现优于$k$-means。有趣的是，$k$-means在易于分类的基准上表现不佳，但在最高数据规模（如ImageNet21K）上的性能差距减小。最后，发现非主要聚类预测能够捕获有意义的类别（即更粗略的类别）。

    Jun, 2024