Apr, 2020

基于聚类的对比学习，以提高人脸表征

PDF
TL;DR本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。
发现论文，激发创造
  • 基于对比表示学习的聚类分配

    本文提出了一种基于对比学习的聚类方法，通过对表示进行分解，并使用分别编码不同信息的部分构建对比损失函数，可以高效地学习聚类结果。实验结果表明，该方法在多个标准数据集上取得了最新的甚至高居领先的聚类性能，尤其在 ImageNet 数据集上的准确率达到了 53.4％，并且优于现有方法。

    Jun, 2023

  • 通过联合标签分类和受监督对比聚类改进面部表示

    本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力，并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布，并提出了一种监督对比聚类方法来将特征拉向簇中心，并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后，对流行的面部基准进行了广泛的定性和定量实验，证明了我们范式的有效性以及在现有的面部识别方法上的优越性。

    Dec, 2023

  • 对比聚类

    本文提出一种名为对比聚类 (Contrastive Clustering,CC) 的在线聚类方法，该方法实现了实例级和簇级对比学习，通过最大化正样本对的相似度和最小化负样本对的相似度，在特征空间中分别进行行级和列级的对比学习，同时优化实例级和簇级对比损失，在端到端的方式下联合学习表示和簇分配。实验结果表明，CC 在六项具有挑战性的图像基准任务中显着优于 17 种竞争对手的聚类方法，特别是在 CIFAR-10 和 CIFAR-100 数据集上，CC 的 NMI 分别为 0.705 和 0.431，相较于最佳基线提高了多达 19% 和 39%。

    Sep, 2020

  • 用对比学习支持聚类

    该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。

    Mar, 2021

  • 自监督视频表示学习的 Cycle-Contrast

    通过 CCL 方法，我们可以自我学习视频表示，从而在基于视频的应用程序中实现更好的性能。

    Oct, 2020

  • 弱监督对比学习

    提出了一种基于弱监督对比学习的框架 (WCL)，该框架使用两个投影头进行正则的实例区分任务，一头使用基于图形的方法找到相似的样本并生成弱标签，另一头使用这些弱标签进行有监督的对比学习任务，以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。

    Oct, 2021

  • 图形对比聚类

    本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

    Apr, 2021

  • 人脸聚类：表征与成对约束

    该研究提出了一种基于 ResNet 的面部表示方法，并利用 Conditional Pairwise Clustering（ConPaC），将面部图像聚类，得出的实验结果表明 ConPaC 的性能优异，可以自动选择聚类数量，并保留面部图像之间的相似度。还提出了 k-NN 变体，适用于大型数据集。

    Jun, 2017

  • CoCon: 合作 - 对比学习

    我们提出了一种协作版对比学习方法，利用数据驱动的采样来利用多个输入视频视图之间的隐式关系，以应对该问题，并在动作识别这一下游任务上取得了竞争性能表现。

    Apr, 2021

  • 全局背景下的视频对比学习

    该研究提出了一种基于段落的视频级对比学习方法，它使用全局上下文形成正样本，同时还结合了一个时间顺序正则化项来确保视频的时序结构，实验证明该方法在动作分类、动作定位和视频检索等任务上能够超越现有的最先进方法。

    Aug, 2021