CVPRDec, 2020

利用强健学习改进无监督图像聚类

PDF
TL;DR本文提出了一种创新的 RUC 模型，利用已有的无监督图像聚类模型的伪标签作为噪声数据集，重新训练过程可以修正错误的知识并缓解预测中的过度自信问题。该模型具有良好的灵活性，可以用作其他聚类方法的附加模块，并帮助其在多个数据集上取得更好的性能。实验表明，该模型对于对手攻击的噪声具有额外的鲁棒性和更好的模型置信度校准。
unsupervised image clusteringruc modelpseudo-labelsoverconfidence problemadversarial noise
发现论文，激发创造
  • 对抗噪声标签的稳健特征学习

    This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

    Jul, 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

  • UDUC: 基于不确定性驱动的学习鲁棒控制方法

    通过引入基于不确定性驱动的鲁棒控制损失 (UDUC) 作为概率集合模型的替代目标，并受对比学习的启发，我们分析了 UDUC 损失的鲁棒性，并评估其在具有显著环境不匹配的挑战性实际强化学习基准 (RWRL) 上的性能。

    May, 2024

  • 利用多代聚类达成一致的方式完善伪标签，用于无监督物体重识别

    该研究采用聚类共识和时序集成伪标签的方法，旨在解决伪标签噪声的问题，提升无监督物体识别方法的准确率。实验证实，该方法在 MSMT17 数据集上取得了最高 8.8% 的平均精度提升。

    Jun, 2021

  • 利用独特类别计数进行弱监督聚类

    本文提出了一种基于弱监督学习的聚类框架，其中介绍了一种基于多示例学习任务的新颖技术，称为唯一类计数（$ ucc $），该任务中不需要在训练过程中对单个实例进行注释。我们构建了一个基于神经网络的 $ ucc $ 分类器，并在实验中证明，弱监督的 $ ucc $ 分类器的聚类性能与完全监督学习模型的聚类性能相当。此外，我们测试了该框架在乳腺癌转移的语义分割任务中的适用性，并显示了弱监督的框架的性能与完全监督的 Unet 模型的性能相当。

    Jun, 2019

  • 使用自监督学习能够提升模型的鲁棒性和不确定性

    自我监督能够提高深度学习在鲁棒性、异常检测等难题上的表现甚至超越了全监督学习，成为未来自我监督学习研究的新方向。

    Jun, 2019

  • 自信学习：估计数据集标签的不确定性

    本研究提出了一种基于标签质量而非模型预测的学习方法 ——Confident Learning（CL），通过对数据进行剪枝、使用概率阈值计数来估算噪声，并对样本进行排序，以提高其置信度。我们基于假设类条件噪声过程直接估算了噪声标签和无污染标签之间的联合分布，提出了一种广义 CL，它是可证明一致和实验表现优异的。我们在不同类型数据上运用 CL，包括 MNIST 数据集、Amazon 评论库、以及 ImageNet 数据集的一些子集，结果表明 CL 可以清除不同类型数据中的噪声，提高模型准确性。

    Oct, 2019

  • 基于强化学习的无监督学习对鲁棒拟合的应用

    本文提出了一种新颖的无监督学习框架，能够直接解决鲁棒模型拟合问题，相比之前的无监督学习方法，本方法在多个重要的计算机视觉问题上表现出色，并与传统方法取得了有竞争力的结果。

    Mar, 2021

  • 大规模无监督人员再识别的元聚类学习

    通过聚类的方式进行无监督人物再识别，并采用 “小数据驱动大任务” 的机器学习范式，通过元聚类学习方法实现了对大规模无标注数据的高效利用，降低计算成本、改善数据标注问题。

    Nov, 2021

  • 无标签数据提高对抗鲁棒性

    通过理论和实验，我们证明了半监督学习可以显著提高对抗性鲁棒性，实验结果表明在 CIFAR-10 上使用 500k 未标记图像，使用自我训练方法可以超过最先进的对抗性鲁棒的准确度。在 SVHN 上，使用模型自身的额外的训练集可以提高 4 至 10 个百分点，与使用额外标签的提高量相差不大。

    May, 2019