结构空间中自适应邻居发现的人脸聚类

ICLRFeb, 2022

结构空间中自适应邻居发现的人脸聚类

Ada-NETS: Face Clustering via Adaptive Neighbour Discovery in the Structure Space

Yaohua Wang, Yaobin Zhang, Fangyi Zhang, Ming Lin, YuQi Zhang...

TL;DR本文提出了一种名为 Ada-NETS 的新算法，通过构建清洁图形来聚类面孔，该方法与当前最先进的方法相比具有优越性和普适性，可以通过邻居发现策略来显著减少噪声边缘。

Abstract

face clustering has attracted rising research interest recently to take advantage of massive amounts of face images on the web. State-of-the-art performance has been achieved by graph convolutional networks (GCN)

face clustering graph convolutional networks clean graph ada-nets neighbour discovery strategy

发现论文，激发创造

利用图卷积网络的基于连锁的人脸聚类

本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。

Mar, 2019

优化子图聚类算法用于人脸聚类

本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

Apr, 2023

通过置信度和连通性估计学习人脸聚类

本文提出了一种基于图卷积网络的可学习的人脸聚类框架，通过用两个图卷积网络分别估计节点置信度和边的连通性，实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验，证明了该方法显著提高了聚类准确性，并在不损失性能的情况下大幅提升了识别模型的计算效率。

Apr, 2020

AdaGCN: 将 Adaboost 应用于图卷积神经网络的深模型

本文提出了一种融合了 AdaBoost 的新型 RNN-like 深度图形神经网络体系结构，该网络能够高效地从当前节点的高阶邻居中提取知识，并以 Adaboost 的方式将不同跳数邻居的知识集成到网络中。通过它与现有图卷积方法的理论联系，我们的 AdaGCN 能够在不同标签率下展现出一致的最先进的预测性能，而且计算效率有所提升。

Aug, 2019

EdgeNets: 边缘变化的图神经网络

本文提出 EdgeNet 框架，将现有的图卷积神经网络（GCNNs）和图注意力网络（GATs）统一起来，使得同一问题可以使用不同的 GNN 结构来解决，并且指导和优化各种 GNNs 的性能和实现。

Jan, 2020

基于图式元聚类和正则化适应的局部自适应人脸识别

本文提出了一种基于环境数据的本地自适应人脸识别方法（LaFR），采用基于图卷积网络（GCN）的嵌入式聚类模型，在非监督学习方式下自动训练本地适应模型，并通过新型正则化技术提高模型适应性能，从而实现在不泄露本地客户隐私的前提下，提高人脸识别模型在特定环境下的准确性能。

Mar, 2022

自适应图卷积神经网络

本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

Jan, 2018

自适应邻域一致性的通信网络

本研究介绍了一种使用自适应邻域一致性网络（ANC-Net）的卷积神经网络架构，用于解决同类别物体图像之间生成密集视觉对应的任务。该方法通过非各向同性的四维卷积核，多尺度自相似性模块和正交损失来实现稠密匹配，并在各种基准测试中优于现有的最先进方法。

Mar, 2020

学习在亲和图上聚类人脸

本文探讨了人脸识别中如何有效聚类未标记数据的问题，提出了一种基于图卷积网络的新方法，可以更准确地聚类人脸并提升识别性能。

Apr, 2019

自适应连接神经网络

本文介绍了一种新型的自适应连接神经网络 (ACNet)，以两个方面改进了传统的卷积神经网络 (CNN)。首先，ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态，采用了灵活的方式在处理内部特征表示时切换全局和局部推理；其次，ACNet 还能处理非欧几里德数据。在各种基准测试中，包括图像分类、语义分割等，实验分析表明，ACNet 不仅可以实现最先进的性能，还可以克服传统 MLP 和 CNN 的局限性。

Apr, 2019