Jun, 2022

Deep Neural Networks 中多层集合增强的图像聚类 DeepCluE

PDF
TL;DR本文提出了一种名为 DeepCluE 的方法，它通过利用深度神经网络中的多层特征表示来增强深度聚类性能。该方法利用了无监督学习的实例级对比学习和聚类级对比学习，生成多组基本聚类，通过基于熵准则的可靠性估计，将这些聚类形成加权聚簇的双分图，利用转移割划分该双分图得到最终的图像聚类结果。实验结果表明，相对于先前的深度聚类方法，DeepCluE 方法具有明显的优势。
deep clusteringensemble clusteringmulti-layer representationsunsupervised learningtransfer cut
发现论文，激发创造
  • 深度聚类用于视觉特征无监督学习

    本文介绍了 DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。

    Jul, 2018

  • 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

  • 基于卷积自编码嵌入和相对熵最小化的深度聚类

    该研究提出了一种名为 DEPICT 的新型深度嵌入式正则化聚类模型，该模型使用多层卷积自编码器和多项式 logistic 回归函数，通过相对熵最小化方法实现效率和精确性高效的数据映射和聚类分配，可以在无标签数据进行超参数调整的真实世界聚类任务中发挥其优越性和更快的运行时间。

    Apr, 2017

  • 深度子空间聚类的多层表示学习

    本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。

    Jan, 2020

  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 探索用于提升集成强健性的模型学习异质性

    通过形式分析和实证评估，本文展示了异构深度集成模型可以通过高集成多样性有效地利用模型学习的异质性以提高集成的鲁棒性。

    Oct, 2023

  • 共识表示的深度聚类

    本研究提出了一种深度整合学习框架 DECCS，该框架能够有效地学习多种异质聚类算法的共识表征，并能够显著提高聚类结果的准确性和鲁棒性。

    Oct, 2022

  • 视觉识别的深度协同学习

    本研究使用深度协同学习（DCL）方法，将卷积层分解成两个小的卷积层，然后将它们在每个空间位置处融合，以减少计算复杂度和模型复杂度，同时提高在各种视觉识别任务中的准确性，减少模型参数 (在 AlexNet 中减少 16.82%)。

    Mar, 2017

  • 卷积聚类用于无监督学习

    本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。

    Nov, 2015

  • 利用全卷积自编码器增强图像聚类的区分性

    引入全卷积自编码器的图像特征学习和基于全卷积自编码器和软 k 均值分数的统一聚类框架，通过采用增强式判别分布，逐步提高聚类准确度，实验结果表明，该方法在多个视觉基准数据集上达到了最先进的性能。

    Mar, 2017