Apr, 2023

ClusterNet：基于感知的离散数据聚类模型

PDF
TL;DR本论文介绍了一种新的基于广泛使用的聚类技术 k-means 和 DBSCAN 局限性的聚类算法，该算法直接对散点数据进行操作，利用众包方法实现对人类视觉集群感知的学习策略，并使用基于点云的深度学习模型将其训练，以反映群集可分离性的人类感知。
发现论文，激发创造
  • 基于聚类的点云表示学习用于三维分析

    基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

    Jul, 2023

  • PointNet：基于点集的深度学习用于三维分类和分割

    本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

    Dec, 2016

  • PointCleanNet：学习从稠密点云中去噪和去除异常值

    本文介绍一种基于深度学习的点云去噪方法，可以对噪声和离群点进行有效的处理，并且能应用于大规模点云数据的处理中，实验表明该方法可以有效提高 3D 重建的稳健性。

    Jan, 2019

  • 用于 3D 点云分类的对比嵌入分布提炼和熵感知注意力

    本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。

    Jan, 2022

  • Cluster Flow：层次聚类层如何使深度神经网络更具抗攻击性、更接近人类和更容易实现关系推理

    ClusterFlow 可以在卷积神经网络上运行，利用训练数据的多维分类和特征数据来构建类 / 特征的高超图，并通过三个任务展示 ClusterFlow 如何使现代深度卷积神经网络更具人类感性功能，以及 ClusterFlow 如何适用于非卷积数据并处理缺失数据。

    Apr, 2023

  • 无需地面真值的图像聚类

    该论文介绍了一种基于众包模型的图像聚类方法，可应对无法得知聚类数目的情况，该方法的有效性已通过在多个人工数据集上的应用得到了证明。

    Oct, 2016

  • 稠密分辨率点云分类和分割网络

    本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

    May, 2020

  • 网络感知嵌入的无监督学习

    通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

    Sep, 2023

  • 神经协作子空间聚类

    研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

    Apr, 2019

  • 基于神经网络的成对约束聚类

    本文介绍了一种基于神经网络的端到端聚类框架，该框架可从原始数据中推动形成聚类，且无需提前定义聚类中心，具有较好的性能且对聚类数量不敏感。

    Nov, 2015