Jun, 2020

在线深度聚类用于无监督表示学习

HTML
PDF
TL;DR本文提出了一种在线深度聚类方法(ODC)，将聚类和网络更新同时进行，而不是交替进行，通过设计和维护两个动态存储模块(样本存储和中心存储)来使聚类中心稳定演化以保证分类器的稳定更新，实现了稳定的无监督表征学习。实验证明ODC有效地稳定了训练过程并提高了性能。
发现论文，激发创造
  • 非参数聚类的深度学习

    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

  • 深度表示和图像聚类的联合无监督学习

    在本论文中，我们提出了一种循环框架用于深度表示和图像聚类的联合无监督学习(JULE)。通过在卷积神经网络(CNN)输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。我们的主要想法是将两个过程集成到一个模型中，该模型具有统一加权的三元组损失函数，并进行端到端的优化，从而获得更强大的表示和更精确的图像聚类。在广泛的实验中，该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。

    Apr, 2016

  • 基于CNN的联合聚类和特征漂移补偿的大规模图像数据表示学习

    本文提出了一种基于卷积神经网络的迭代式聚类算法，采用k-means对图像进行聚类标签分配，结合特征漂移补偿机制以优化聚类精度和存储复杂度，并在大规模图像集上超越了现有算法的性能。

    May, 2017

  • 无监督表示学习的一致性聚类

    本研究探讨并观察到使用BYOL学习得到的特征对于聚类可能不是最佳的，提出了一种新颖的基于一致性聚类的损失函数，通过提出的方法进行训练可以提高聚类能力，并在一些流行的计算机视觉数据集上优于相似的聚类方法。

    Oct, 2020

  • 基于伪标签的无监督连续学习

    本研究提出一种用伪标签取代标准标签，在无监督模式下实现连续学习的方法，并提出了一种新的基准实验协议，以更好地评估模型在图像分类任务上的性能。结果表明，使用伪标签和现有的监督方法相结合可以在无监督场景下取得良好的成果。

    Apr, 2021

  • 通过建立共识进行聚类的表示学习

    本文提出了一种使用一致性原则的无监督表示学习算法ConCURL，通过综合考虑共识、示例和种群三种一致性来实现对图像的聚类，并在四个数据集上实现了比现有方法更好的聚类性能。

    May, 2021

  • 在线约束K-Means无监督视觉表征学习

    提出了一种新的聚类前置任务方法CoKe，不同于传统的聚类方法，CoKe只对每个簇的最小大小做出约束，从而实现了更高效的聚类，并且有理论保证，通过单视图优化获得了有竞争力的性能。

    May, 2021

  • 通过原型散射和正样本采样学习聚类表示

    本文提出了一种新的、端到端的深度聚类方法——ProPos，它结合了原型散射和正样本采样对聚类性能进行了提升，并通过在大规模数据集上的实验证明了其具有领先的性能。

    Nov, 2021

  • 深度聚类的稳定簇划分

    通过提出一种稳定的聚类判别任务和全局熵约束优化方法，实现一阶深度聚类并在基准数据集和ImageNet上达到了最先进性能。

    Nov, 2023

  • 由样本稳定性驱动的深度嵌入聚类

    通过样本稳定性驱动的深度嵌入聚类(DECS)算法，消除了对伪目标的需求，并在五个数据集上展示了超越现有聚类方法的优越性能。

    Jan, 2024