CVPRMay, 2021

在线约束 K-Means 无监督视觉表征学习

PDF
TL;DR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。
unsupervised representation learningclusteringcokeminimal sizeglobal optimum
发现论文，激发创造
  • 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

  • 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

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022

  • 强制学习：无须详尽标签发现分解表示

    本篇论文讨论了如何用神经网络学习更好的特征表达，提出了两种新的损失函数，在循环神经网络和卷积神经网络上验证了该方法能够显著提升 KMeans 聚类效果（用 AMI 衡量）并且胜过之前的方法。

    May, 2017

  • 基于聚类的对比学习，以提高人脸表征

    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。

    Apr, 2020

  • 基于实例判别和特征去相关化的聚类友好型表示学习

    本研究提出一种基于深度学习的表示学习方法，采用实例区分和特征装饰来提高聚类的效果，在 CIFAR-10 和 ImageNet-10 数据集中进行了实验，分别获得了 81.5% 和 95.4% 的准确率。

    May, 2021

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 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

  • 利用粗略标签进行弱监督表示学习

    本研究提出了一种算法，在仅有粗糙分类标签的情况下，学习目标任务的细粒度模式并获得理论保证，实验表明该方法可以显着提高在目标任务上的表现。

    May, 2020

  • 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