CVPRApr, 2016

深度表示和图像聚类的联合无监督学习

PDF
TL;DR在本论文中，我们提出了一种循环框架用于深度表示和图像聚类的联合无监督学习 (JULE)。通过在卷积神经网络 (CNN) 输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。我们的主要想法是将两个过程集成到一个模型中，该模型具有统一加权的三元组损失函数，并进行端到端的优化，从而获得更强大的表示和更精确的图像聚类。在广泛的实验中，该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。
unsupervised learningdeep representationsimage clusteringrecurrent frameworkconvolutional neural network
发现论文，激发创造
  • Deep Neural Networks 中多层集合增强的图像聚类 DeepCluE

    本文提出了一种名为 DeepCluE 的方法，它通过利用深度神经网络中的多层特征表示来增强深度聚类性能。该方法利用了无监督学习的实例级对比学习和聚类级对比学习，生成多组基本聚类，通过基于熵准则的可靠性估计，将这些聚类形成加权聚簇的双分图，利用转移割划分该双分图得到最终的图像聚类结果。实验结果表明，相对于先前的深度聚类方法，DeepCluE 方法具有明显的优势。

    Jun, 2022

  • 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

  • 通过最大化多视角之间的互信息进行聚类

    该研究提出了一种新颖的图像聚类框架，将联合表示学习和聚类相结合，并使用加权的对比损失函数来训练，在多个图像数据集上表现出显著的优越性。

    Jul, 2021

  • 自主标记：同时聚类与表示学习

    本文提出了一种通过最大化标签和输入数据索引之间的信息来解决标签聚类与表示学习相结合的问题的新方法。该方法可以有效地对数以百万计的输入图像和数以千计的标签进行自标注，以训练高度竞争的图像表示，具有优于现有模型的性能。

    Nov, 2019

  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 深度子空间聚类的多层表示学习

    本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。

    Jan, 2020

  • 强制学习：无须详尽标签发现分解表示

    本篇论文讨论了如何用神经网络学习更好的特征表达，提出了两种新的损失函数，在循环神经网络和卷积神经网络上验证了该方法能够显著提升 KMeans 聚类效果（用 AMI 衡量）并且胜过之前的方法。

    May, 2017

  • 通过建立共识进行聚类的表示学习

    本文提出了一种使用一致性原则的无监督表示学习算法 ConCURL，通过综合考虑共识、示例和种群三种一致性来实现对图像的聚类，并在四个数据集上实现了比现有方法更好的聚类性能。

    May, 2021

  • 卷积聚类用于无监督学习

    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。

    Nov, 2015

  • 基于类别风格表示的深度图像聚类

    本文提出了一种新颖的基于深度学习的图像聚类框架，通过最大化互信息和使用不变性损失来学习一个分类 - 风格的潜在表征，将图像的类别信息与其样式信息分离，并将类别向量作为聚类分配的概率。实验结果表明，与现有方法相比，该方法在五个公共数据集上的表现显著优于其他方法。

    Jul, 2020