Jun, 2020

LSD-C: 线性可分深度聚类

PDF
TL;DRLSD-C 是一种新的无标签数据聚类方法，基于相似度度量在特征空间中建立样本之间的成对连接，然后将连接的样本重新分组为聚类，并在聚类之间加强线性分离。该方法借鉴了半监督学习的最新实践，将聚类算法、自监督预训练和强数据增强相结合，证明其在流行的图像基准测试（包括 CIFAR 10/100、STL 10 和 MNIST）以及文档分类数据集 Reuters 10K 上显着优于竞争对手。
lsd-cclusteringsimilarity metriclinear separationsemi-supervised learning
发现论文，激发创造
  • 卷积聚类用于无监督学习

    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

  • 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

  • 深度聚类用于视觉特征无监督学习

    本文介绍了 DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。

    Jul, 2018

  • 使用转移相似度函数进行深度图像分类发现

    利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。

    Dec, 2016

  • 自监督卷积子空间聚类网络

    提出了一种称为自监督卷积子空间聚类网络（S^2ConvSCN）的端到端可训练框架，该框架将 Convolutional Neural Network 模块（用于特征学习），自我表达模块（用于子空间聚类）和谱聚类模块（用于自我监督）组合到联合优化框架中，实现了同时的特征学习和子空间聚类。

    May, 2019

  • 基于可微分特征聚类的图像分割无监督学习

    本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法，包括归一化和可微聚类函数，解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法，同时保持高效性和准确性。经过在多个数据集上的测试，得出了该方法的有效性。

    Jul, 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

  • CUCL: 无监督连续学习的代码手册

    本研究主要关注无监督连续学习（Unsupervised Continual Learning，UCL），提出了一种名为 Codebook for Unsupervised Continual Learning（CUCL）的方法，通过注入多样性和处理灾难性遗忘来提升模型性能。

    Nov, 2023

  • 对比学习实现的深度鲁棒聚类

    该论文介绍了一种新的深度聚类方法 - Deep Robust Clustering (DRC)，它从两方面同时考虑了语义聚类和特征表现，从而增加了跨类别差异并同时减少了类内差异，且通过数据增强和对比损失的最小化在多项基准测试中显著提高了准确性。

    Aug, 2020

  • 相似性协同校准的半监督对比学习

    本文提出一种半监督对比学习 (Semi-supervised Contrastive Learning，简称 SsCL) 的训练策略，将自监督学习中著名的对比损失与半监督学习中的交叉熵损失相结合，进而联合优化两个目标，并使用神经网络来实现。结果表明，SsCL 产生了更具有区分性的表示，并对于少样本学习非常有益。在使用 ResNet50 作为后端的 ImageNet 数据集上，SsCL 分别以 1% 和 10% 的标记样本获得了 60.2% 和 72.1% 的 top-1 精度，这比基线要好得多，也优于以前的半监督学习和自监督学习方法。

    May, 2021