使用预训练卷积神经网络和联想记忆库进行无监督学习
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
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
本文提出了一种渐进无监督学习(PUL)方法,将预训练的深度表示转移到未见过的领域来改进人员重新识别(re-ID)的准确度,并使用自主学习自然地表达了整个过程。
May, 2017
本研究提出了一种用于图像检索的卷积神经网络 Fine-tune 方法,利用最先进的检索和运动结构方法,通过 3D 模型自动获取训练集,采用硬正负样本来提升性能。
Apr, 2016
本研究将竞争性学习引入卷积神经网络(CNNs)中,通过使用未标记的数据进行有效的表征学习,从而提高表征学习和微调的效率。结果表明,在一些情况下,这种方法扩大了 CNNs 中的过滤器数量,实现了更详细而广泛的表征。
Apr, 2018
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
本研究提出了一种基于 3D 模型的卷积神经网络 Fine-Tuning 方法,并使用该方法在 VGG 网络上取得了 Oxford Buildings、Paris、Holidays 数据集上的最新成果,此方法可通过可选的正或负样本增强目标物体检索性能。
Nov, 2017
本文介绍了一种通用的框架,用于在没有监督的情况下对深度网络进行端对端训练,通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的,同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题,并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。
Apr, 2017
本文提出了一种简单而有效的无监督深度特征传递算法,用于低分辨率图像分类,无需 fine-tuning。首先,我们使用预先训练的 convenet 提取高分辨率和低分辨率图像的特征,然后将它们馈送到两层特征转移网络以进行知识转移。接着,我们直接使用这些传递的低分辨率特征学习 SVM 分类器。该网络可以作为插件特征增强模块嵌入到最新的深度神经网络中,以保持高分辨率图像特征空间中的数据结构,并将良好结构的源域 (高分辨率特征空间) 的区分特征传递到不良组织的目标域 (低分辨率特征空间) 上。通过对 VOC2007 测试集的大量实验证明,所提出的方法比仅使用特征提取的基线方法实现了显著的性能改善。
Aug, 2019
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