Mar, 2024

不断学习：带有增量视图的连续动作聚类

PDF
TL;DR我们提出了一种新颖的连续动作聚类 (CAC) 方法，通过学习历史视图中的动作类别，利用新到来的视图对共识划分矩阵进行更新，优化类别存储库和共识划分矩阵，从而实现优秀的聚类性能和时间 / 空间效率。
multi-view action clusteringcontinual learningcategory memory libraryconsensus partition matrixclustering performance
发现论文，激发创造
  • 含不完整视图的快速连续多视图聚类

    本论文提出了一种名为 FCMVC-IV 的方法，用于解决多视角聚类中的不完整连续数据问题。该方法维护一致性系数矩阵并更新知识，而不是存储和重新计算所有数据矩阵，使用了两个指示器矩阵和旋转矩阵来匹配不同维度的矩阵，并设计了一个三步迭代算法以线性复杂度解决产生的问题。经过全面的实验后，表明 FCMVC-IV 的卓越性。

    Jun, 2023

  • 视频动作识别的持续学习方法基线

    本文旨在针对视频动作识别领域提出一种有效的、高效的方法来解决模型不断学习的问题，包括使用模型信心或数据信息来选择可记忆的样本的方法，并针对此方法进行评估，得出了在小缓冲区的条件下表现出更高的学习效果。

    Apr, 2023

  • 增量动作分段的连续时间合成

    数据回放是一种成功的图像增量学习技术，但在视频领域的应用尚不成熟。本论文首次探索了视频数据回放技术在增量动作分割中的应用，重点关注动作时间建模。我们提出了一种名为 Temporally Coherent Action (TCA) 的模型，通过生成模型来表示动作，而不是存储单个帧。引入了捕捉时间相干性的条件变量，使得我们的模型能够理解动作特征随时间的演化。在 Breakfast 数据集上进行的 10 个任务的增量设置中，我们的方法与基准方法相比，在精度上实现了最多 22% 的显著增长。

    Mar, 2024

  • 对比连续多视角聚类与过滤结构融合

    利用对比学习和过滤结构融合的方法解决多视角聚类中的遗忘问题，并与半监督学习和知识蒸馏进行理论连接。

    Sep, 2023

  • 视频中动作识别的类递增学习

    利用时间通道重要性映射和知识蒸馏的方法，解决了视频识别增量学习中的遗忘问题，并证明了该算法相比于针对图像数据的现有增量学习方法更为有效。

    Mar, 2022

  • 多视角类别增量学习

    本文研究了一种新的范例，称为多视类增量学习（MVCIL），旨在将单个模型应用于连续的视图流中，以增量分类新类，而无需访问早期的数据视图，其中引入了一种随机化表示学习技术进行特征提取，集成后引入选择性权重巩固，实验证明了本方法的有效性。

    Jun, 2023

  • 自学习对称多视角概率聚类

    本文提出了一种名为 SLS-MPC 的自学习对称多视图概率聚类方法，它使用了对称多视图概率估计和自学习概率函数来实现任意视图数的数据缺失容忍，同时使用了图上下文感知的细化来消除噪声和离群值的影响，并提出了一种概率聚类算法来进行聚类分配调整，无需类别信息，在多个基准测试中明显优于现有的方法。

    May, 2023

  • 连续音频 - 视觉学习的增量聚类网络

    提出了一种新颖的类增量分组网络 (CIGN)，可以学习类别级的语义特征，以实现持续的视听学习，取得了最先进的视听类别增量学习性能。

    Sep, 2023

  • 多视角聚类的共享生成潜在表示学习

    本文提出了一种基于共享生成潜在表征的多视角聚类方法，通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能，并在多个不同规模的数据集上得到了优于现有方法的实验结果。

    Jul, 2019

  • 对比聚类分配的深度多视图聚类

    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