语义特征引导下的深度对比多视图聚类
本文提出了一种多层特征学习的对比多视角聚类框架,以在不同的特征空间中有效实现重构目标和一致性目标,包括低级特征、高级特征和语义标签 / 特征,从而在多个视角上探索共同的语义。
Jun, 2021
研究论文通过提出一种名为 CodingNet 的新型多视角聚类网络,在无监督场景下探索深度和浅层特征之间的多样性和一致性信息,并使用双重对比机制在视角 - 特征和伪标签级别上保持深度特征的一致性,通过广泛的实验验证了该框架在六个常用基准数据集上的有效性,超过了大多数最先进的多视角聚类算法。
Sep, 2023
通过对比学习构建一致增强的深度多视图聚类方法(CCEC),该方法通过多个视图之间的语义连接块保存一致信息,并通过谱聚类增强聚类过程的一致性。实验证明该方法在五个数据集上相比最先进方法具有更好的效果和优越性。
Jan, 2024
多视角对比聚类中的双重对比校准网络 (DealMVC) 的提出,通过融合机制获取全局交叉视图特征,借助全局和局部对比校准损失实现多视图信息的多样性利用,并通过准确的类别信息规范化特征结构,以获得不同视图中相似样本的类似特征,最终实验证明了算法的有效性和优越性。
Aug, 2023
本文提出了一种跨视角对比学习(CVCL)方法,该方法利用深度自编码器将视角相关特征提取出来,通过对多个视角下的聚类结果对比来学习视角不变性表示,并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息,从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。
Apr, 2023
本文提出了一种语义对比学习的方法(SCL),将距离的聚类结构引入到无标注数据的特征空间中,并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别,以在发现未知类别决策边界方面具有显着优势。实验证明,SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法,尤其是在更具挑战性的精细和较大的数据集上。
Mar, 2021
通过引入样本对间对比学习和原型 - 样本对比学习,提出了一种新颖的语义感知双对比学习框架,通过联合训练三个模块,准确捕捉与图像内容相关的判别性标签级特征,并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。
Jul, 2023
本文提出了一个新的深度多视图联合聚类框架 (DMJC),结合多个深度特征,多视图融合机制和聚类分配可同时学习,以提高聚类性能。通过两种不同的方案实现多视图融合,优化 KL 散度聚类目标来进行 DMJC-S 和 DMJC-T 的优化。实验证明,DMJC-S 和 DMJC-T 均优于单 / 多视图基线和现有的多视图聚类方法。此为首次将多视图聚类建模为深度联合框架,对于无监督多视图学习具有有意义的借鉴。
Aug, 2018