CVPRMar, 2024

基于神经聚类的视觉表示学习

PDF
TL;DR我们通过重新审视聚类，一种机器学习和数据分析中最经典的方法之一，来研究机器视觉的一个基本方面：特征的测量。我们提出了特征提取与聚类（FEC）的概念性优雅但惊人的特征提取方法，它将特征提取视为从数据中选择代表并自动捕捉底层数据分布的过程。通过对各种视觉识别模型和任务进行广泛实验，我们验证了 FEC 的有效性、普适性和可解释性。我们希望这项工作将引发对当前事实上的网格式范式的重新思考。
machine visionfeature extractionclusteringneural clustering frameworkdata distribution
发现论文，激发创造
  • 点集图像

    本文介绍了一种新的视觉表示范式 - 环境群聚 (Context Clusters)，可通过简化的聚类算法在一组未组织的点中提取特征，无需卷积或注意力机制，并提供了可视化聚类过程的令人满意的可解释性。在几个基准测试中，Context Clusters 可达到与 ConvNets 或 Vision Transformers 相当甚至更好的结果。

    Mar, 2023

  • 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

  • 卷积网络特征提取行为研究

    该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

    Mar, 2017

  • ECLAD：使用局部聚合描述符提取概念

    通过 CNN 激活图像素聚合的表示，提出了一种新型的自动概念提取和定位方法，并基于图像的像素注释，引入了一种验证过程来减少人工干预，从而超越了现有方法。

    Jun, 2022

  • 无线频谱数据的深度特征学习

    通过使用卷积神经网络，我们在无监督学习的过程中提出了一种基于特征工程的模型，该模型能够自动地学习适用于无线传输聚类的特征表示方法。相对于基准的主成分分析（PCA），我们的模型自动学习由比基准少 99.3% 的组成部分组成的输入数据的降维表示，从而能够提取具有细粒度的无线传输突发形状的聚类，而基准模型只能基于背景噪声进行数据的一般可分性。

    Aug, 2023

  • 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

  • 深度特征空间：几何视角

    本文提出了一种新的方法，用于可视化和理解神经网络输出层之前的向量空间，旨在揭示分类任务下的深层特征向量属性，特别是过拟合现象在特征空间中的本质和其对进一步应用的负面影响，并对其进行了真实应用场景的评估，证明了其突出性能优势。

    Jun, 2020

  • 对比学习实现少样本聚类

    本文提出了 Few-Example Clustering (FEC) 算法，它使用对比学习对少量样本进行聚类，其步骤包括候选聚类分配的生成、对每个聚类分配进行对比学习和选择最佳候选，通过在 extit {mini}-ImageNet 和 CUB-200-2011 数据集上进行实验证明，FEC 在各种情况下平均优于其他基线约 3.2％，并展现出逐渐上升、然后急剧下降的有趣学习曲线。

    Jul, 2022

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 卷积神经网络在视觉实例检索中的最佳实践是什么？

    本文对多种因素对卷积神经网络（CNN）提取的特征代表性的影响进行了全面评估，提出了一种新的多尺度图像特征表示方法来有效编码图像，并在可视化目标检索的四个典型数据集上表现出了优异的性能。

    Nov, 2016