卷积聚类用于无监督学习

Nov, 2015

Convolutional Clustering for Unsupervised Learning

Aysegul Dundar, Jonghoon Jin, Eugenio Culurciello

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。

Abstract

The task of labeling data for training deep neural networks is daunting and tedious, requiring millions of labels to achieve the current state-of-the-art results. Such reliance on large amounts of labeled data can be relaxed by exploiting hierarchical features via unsupervised learning

deep learning unsupervised learning convolutional k-means clustering neural network classification

发现论文，激发创造

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

邻域发现的无监督深度学习

本文提出了一种通用的无监督深度学习方法，通过发现样本邻域来推理和累计学习潜在的类别决策边界，进而进行分类，实验结果显示该方法在图像分类方面优于先前的无监督学习模型。

Apr, 2019

具有示例卷积神经网络的判别式无监督特征学习

本文介绍了一种使用无标签数据训练卷积网络的方法，该方法可用于通用特征学习，通过应用多种变换来区分一组代理类别，获得了比监督学习更具鲁棒性的特征表示，能在几个流行数据集上取得胜于现有结果的分类效果。

Jun, 2014

基于可微分特征聚类的图像分割无监督学习

本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

Jul, 2020

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

揭示不可见的东西：训练的深度可分卷积核中的可识别聚类

最近在深度可分离卷积神经网络（DS-CNNs）方面的进展已经引发了新的架构，通过相当大的可扩展性和准确性优势，超越了经典 CNNs 的性能。本文揭示了 DS-CNN 架构的另一个引人注目的特性：它们训练后的深度卷积核在所有层中出现了明显可辨和可解释的模式。通过对数百万个训练滤波器的广泛分析，我们使用自编码器进行无监督聚类，对这些滤波器进行了分类。令人惊讶的是，这些模式汇聚成了几个主要簇，每个簇都类似于高斯差分函数（DoG）及其一阶和二阶导数。值得注意的是，我们能够将来自最先进的 ConvNextV2 和 ConvNeXt 模型的滤波器分别分类为 95％和 90％以上。这一发现不仅仅是技术上的奇特之处；它回应了神经科学家长期以来对哺乳动物视觉系统的基础模型的提议。因此，我们的结果加深了对训练后 DS-CNN 的出现属性的理解，并在人工和生物视觉处理系统之间提供了一个桥梁。更广泛地说，它们为未来更具可解释性和生物灵感的神经网络设计铺平了道路。

Jan, 2024

深度无监督学习的空间对比

该论文采用对比学习方法提出了一种基于空间区域的卷积神经网络无监督训练方法，可与传统的神经网络结构和训练技巧相结合，提高模型性能。

Nov, 2016

基于 CNN 的联合聚类和特征漂移补偿的大规模图像数据表示学习

本文提出了一种基于卷积神经网络的迭代式聚类算法，采用 k-means 对图像进行聚类标签分配，结合特征漂移补偿机制以优化聚类精度和存储复杂度，并在大规模图像集上超越了现有算法的性能。

May, 2017

卷积神经网络引导标注

本文提出了一种 guided labeling 方法，可以自动确定从未标记的数据集中应该标记哪些样本，从而显著地减少了需要手动标记的样本数量。

Dec, 2017

使用受监督的卷积核网络进行端到端核学习

本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

May, 2016