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
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
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
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
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。
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
该研究提出了一种基于图神经网络的图像分割方法,相较于现有方法可以隐式地完成部件语义分割,用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。
Dec, 2022
本文提出了一种新的深度学习框架,可以在 instance 和 cluster 级别预测可解释的聚类分配,并在基因组序列、医疗记录或图像等数据上验证了该方法的可靠性和可解释性。
Jun, 2023