Apr, 2017

基于卷积自编码嵌入和相对熵最小化的深度聚类

PDF
TL;DR该研究提出了一种名为 DEPICT 的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。
image clusteringdepictdeep embedded regularized clusteringmulti-layer convolutional autoencoderunsupervised learning
发现论文，激发创造
  • 深度判别潜空间聚类

    本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

    May, 2018

  • 无监督深度嵌入聚类分析

    本文提出了一种同时学习特征表示和聚类分配的深度神经网络方法 —— 深度嵌入聚类（DEC），该方法可将数据空间映射到低维特征空间，并在此优化聚类目标函数，实验结果表明，DEC 在图像和文本语料库方面的表现显著超过现有的最先进方法。

    Nov, 2015

  • 深度连续聚类

    通过深度自编码器实现非线性降维和聚类，优化作为聚类过程的自编码器，避免之前聚类算法中离散目标的缺陷，无需先验知识即可进行聚类，实验证明该算法优于状态的聚类方案并具有普适性。

    Mar, 2018

  • 使用双自编码器网络的深度谱聚类

    本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。

    Apr, 2019

  • 利用全卷积自编码器增强图像聚类的区分性

    引入全卷积自编码器的图像特征学习和基于全卷积自编码器和软 k 均值分数的统一聚类框架，通过采用增强式判别分布，逐步提高聚类准确度，实验结果表明，该方法在多个视觉基准数据集上达到了最先进的性能。

    Mar, 2017

  • 一种基于自编码器混合的深度聚类算法

    这篇论文提出了一种基于深度自编码器混合聚类（DAMIC）算法，该算法通过聚类网络将数据转化到另一个空间，并且提出了一种集合自编码器来表示每一个聚类，同时聚类算法共同学习非线性数据表述和集合自编码器，通过最小化混合自编码器网络的重构损失，找到最优的聚类，实验结果显示该方法在图像和文本上均优于现有技术。

    Dec, 2018

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 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

  • 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

  • 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