基于类别风格表示的深度图像聚类

ECCVJul, 2020

基于类别风格表示的深度图像聚类

Deep Image Clustering with Category-Style Representation

Junjie Zhao, Donghuan Lu, Kai Ma, Yu Zhang, Yefeng Zheng

TL;DR本文提出了一种新颖的基于深度学习的图像聚类框架，通过最大化互信息和使用不变性损失来学习一个分类 - 风格的潜在表征，将图像的类别信息与其样式信息分离，并将类别向量作为聚类分配的概率。实验结果表明，与现有方法相比，该方法在五个公共数据集上的表现显著优于其他方法。

Abstract

deep clustering which adopts deep neural networks to obtain optimal representations for clustering has been widely studied recently. In this paper, we propose a novel deep image clustering framework to learn a ca

deep clustering deep neural networks latent representation mutual information maximization augmentation-invariant loss

发现论文，激发创造

深度表示学习的无监督图像分类

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

一种概率约束聚类方法用于迁移学习和图像类别发现

本研究提出了一种针对深度网络和大量类别进行优化的聚类目标函数，通过对成对约束条件的负对数似然最小化来优化聚类分配，具有优秀的可扩展性和性能。

Jun, 2018

通过深度转移聚类学习发现新的视觉类别

该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

Aug, 2019

深度变换不变聚类

本研究基于深度学习，提出了新的图像聚类方法，通过学习图像变换并在图像空间直接进行聚类，并可以轻松处理聚类中的不变性，实现了对聚类中心和聚类分配的解释性。研究表明，该方法在标准图像聚类基准测试中具有极高的竞争性和前景性。

Jun, 2020

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

弱监督下物体类别学习与检索

采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

Jan, 2018

通过最大化多视角之间的互信息进行聚类

该研究提出了一种新颖的图像聚类框架，将联合表示学习和聚类相结合，并使用加权的对比损失函数来训练，在多个图像数据集上表现出显著的优越性。

Jul, 2021

深层描述性聚类

本文提出了一种新型的复杂数据聚类算法，利用符号数据进行言语解释，通过最大化模块之间的一致性产生更好的聚类效果和高质量的聚类级别解释，实验结果表明，该模型在聚类性能方面优于竞争对手，并提供高质量的聚类级别解释。

May, 2021

自主标记：同时聚类与表示学习

本文提出了一种通过最大化标签和输入数据索引之间的信息来解决标签聚类与表示学习相结合的问题的新方法。该方法可以有效地对数以百万计的输入图像和数以千计的标签进行自标注，以训练高度竞争的图像表示，具有优于现有模型的性能。

Nov, 2019

学习潜在 "外貌": 从时尚图像中无监督发现风格一致的嵌入

提出了一种基于概率多语言主题模型的无监督方法来发现一组潜在的风格因子，进而通过混合这些因子来对时尚图片进行风格总结，并无需任何风格标签，从而可以根据风格来组织衣服图库。

Jul, 2017