本研究提出了一种基于图的汇聚算法用于高维数据聚类,该算法通过研究图论中的两个基本概念(入度和出度)在聚类中的不同作用,定义了聚类的亲和度,该算法在图像聚类和物体匹配两个计算机视觉问题上均表现出优于最先进技术的效果。
Aug, 2012
介绍了一种理论框架,将层次聚类算法简化扩展到具有吸引和排斥相互作用的加权图中以及通过 GASP 这一更广泛的算法来实现分区。并在 CREMI 2016 EM 分割基准测试中展示了实现分割管道的方法,从像素到最终分割的简单程序,实现了最先进的准确性。
Jun, 2019
本文提出了一种可扩展的聚合层次聚类方法,可以在不降低质量的前提下对数十亿个数据点进行聚类,并在公开的聚类基准测试集上实现了最先进的结果,同时还将层次聚类引入作为非参数聚类目标的近似算法。
Oct, 2020
本文提出了一种层次凝聚图聚类算法框架并给出了完整的精确算法和近似算法,可以用于加权图的聚类问题,并通过用$k$-NN方法将点集转化为加权图,实现对点集的快速聚类。
Jun, 2021
该研究提出了一种称作 Token Pooling 的新型令牌下采样方法,旨在提高对视觉变换的计算速度,并通过对 softmax 注意力机制的研究,实现了更好的计算速度与精度之间的平衡。
Oct, 2021
本文介绍了CenterCLIP,它是一种新的视频标记聚类算法,在减少多余的视频标记、提高视频与文本表示的语义对齐方面表现优异,并取得了比现有最先进方法更好的结果
May, 2022
该研究提出了一种基于预训练模型的图像聚类方法——CLIP,并结合自我标注算法,取得较好效果。
Jun, 2023
本研究探究了基于图像分类方法的Token剪枝技术在目标检测和实例分割中的应用,提出了四种见解,包括:应在特征映射中保留Token、可重激活过去剪枝的Token以提高模型性能、动态剪枝率比固定剪枝率更好、简单的2层MLP能有效地剪枝Token。实验结果表明,本方法能显著加速推理速度,且与不剪枝的结果相比,性能损失仅在0.3 mAP以内。
本文介绍了一种基于用户指定的文本条件的图像聚类方法,通过利用现代视觉语言模型和大型语言模型,它提供了对聚类结果的直接控制,实验结果表明这种方法能够有效地以多种标准聚类图像,并显著优于基准方法。
Oct, 2023
基于语义平等聚类(SEC)的全球注意力机制和视觉变换器(ViT)提出了一种速度快且平衡的聚类方法SecViT,证明其在图像分类、目标检测、实例分割和语义分割等方面的有效性。
May, 2024