使用双自编码器网络的深度谱聚类
本篇论文提出了一种名为 SpectralNet 的深度学习方法,通过在大量的未标注数据上训练,将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量,并成功地应用于谱聚类,实现了对谱聚类中可扩展性以及广义化转化的双重突破。
Jan, 2018
本文提出了一种称为 “深度聚类” 的深度学习框架,通过使用光谱图嵌入进行声源分离,从而实现类无关的信号分离,大大降低了领域分割成本,并且不依靠类别给出类标签,具有将不同源集合的潜力。
Aug, 2015
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
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。
Apr, 2017
本文提出了一种双自表达子空间聚类算法,利用自表达系数构建相似度矩阵进行谱聚类,并提出了基于对比学习的自监督模块,该算法在多个基准数据集上实现了比现有方法更好的聚类表现。
Jun, 2023
本文提出了一种使用基于神经网络的特征函数实现光谱聚类的方法,将神经网络特征作为输入,通过轻量级的神经特征函数实现密集预测,实验结果表明该方法在 Pascal Context、Cityscapes 和 ADE20K 基准测试上具有显著的性能优势。
Apr, 2023
本文探讨了如何通过使用深度学习技术和多视图融合的集成学习方法来改善聚类结果,提出了一种新的快照谱聚类集成方法(Snapshot Spectral Clustering),实验结果表明该方法有效地提高了聚类性能和减少了计算成本。
Jul, 2023
扩展视觉技术在物理学中非常普遍,然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题,我们探索了在编码空间中应用无监督聚类方法的可能性,通过数据立方体像素的光谱属性进行深层聚类,该过程由经过训练的变分自动编码器进行统计降维,同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例:一组关于绘画艺术品的宏观映射 X 射线荧光(MA-XRF)合成数据和模拟天体观测的数据集。
Jan, 2024
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