論文の概要: Deep Image Clustering with Tensor Kernels and Unsupervised Companion
Objectives
- arxiv url: http://arxiv.org/abs/2001.07026v2
- Date: Mon, 23 Nov 2020 15:12:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 04:55:10.967640
- Title: Deep Image Clustering with Tensor Kernels and Unsupervised Companion
Objectives
- Title(参考訳): テンソルカーネルと教師なしコンパニオンオブジェクトによるディープイメージクラスタリング
- Authors: Daniel J. Trosten, Michael C. Kampffmeyer, Robert Jenssen
- Abstract要約: 我々は,畳み込みニューラルネットワークとテンソルカーネルを用いたディープイメージクラスタリングの新しいモデルを開発した。
提案したDeep Kernel Clustering(DTKC)は、中間層の出力で共通のクラスタ構造を反映するようにトレーニングされた畳み込みニューラルネットワーク(CNN)で構成されている。
- 参考スコア(独自算出の注目度): 18.694690315067966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we develop a new model for deep image clustering, using
convolutional neural networks and tensor kernels. The proposed Deep Tensor
Kernel Clustering (DTKC) consists of a convolutional neural network (CNN),
which is trained to reflect a common cluster structure at the output of its
intermediate layers. Encouraging a consistent cluster structure throughout the
network has the potential to guide it towards meaningful clusters, even though
these clusters might appear to be nonlinear in the input space. The cluster
structure is enforced through the idea of unsupervised companion objectives,
where separate loss functions are attached to layers in the network. These
unsupervised companion objectives are constructed based on a proposed
generalization of the Cauchy-Schwarz (CS) divergence, from vectors to tensors
of arbitrary rank. Generalizing the CS divergence to tensor-valued data is a
crucial step, due to the tensorial nature of the intermediate representations
in the CNN. Several experiments are conducted to thoroughly assess the
performance of the proposed DTKC model. The results indicate that the model
outperforms, or performs comparable to, a wide range of baseline algorithms. We
also empirically demonstrate that our model does not suffer from objective
function mismatch, which can be a problematic artifact in autoencoder-based
clustering models.
- Abstract(参考訳): 本稿では,畳み込みニューラルネットワークとテンソルカーネルを用いた深層画像クラスタリングの新しいモデルを開発した。
提案されたDeep Tensor Kernel Clustering(DTKC)は、中間層の出力で共通のクラスタ構造を反映するようにトレーニングされた畳み込みニューラルネットワーク(CNN)で構成されている。
ネットワーク全体の一貫したクラスタ構造を促進することは、これらのクラスタが入力空間において非線形であるように見えるとしても、有意義なクラスタへと導く可能性を秘めている。
クラスタ構造は、ネットワーク内の層に個別の損失関数をアタッチする、教師なしの補助目的の概念によって強制される。
これらの教師なし共役目的は、ベクトルから任意のランクのテンソルへのコーシー=シュワルツ(CS)の発散の一般化に基づく。
cnnの中間表現のテンソル的性質のため、csの分岐をテンソル値データに一般化することは重要なステップである。
提案したDTKCモデルの性能を徹底的に評価するための実験を行った。
結果は、モデルが幅広いベースラインアルゴリズムに匹敵する、あるいは性能を発揮することを示している。
また,本モデルでは,自動エンコーダに基づくクラスタリングモデルにおいて問題となる機能ミスマッチを伴わないことを示す。
関連論文リスト
- Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:59:51Z) - OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。
上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。
我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
論文 参考訳(メタデータ) (2024-03-11T09:46:41Z) - A Generalized Framework for Predictive Clustering and Optimization [18.06697544912383]
クラスタリングは強力で広く使われているデータサイエンスツールです。
本稿では,予測クラスタリングのための一般化最適化フレームワークを定義する。
また,大域的最適化のためにMILP(mixed-integer linear programming)を利用する共同最適化手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T19:56:51Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳(メタデータ) (2023-03-29T14:54:19Z) - DeepCut: Unsupervised Segmentation using Graph Neural Networks
Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。
既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。
画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文 参考訳(メタデータ) (2022-12-12T12:31:46Z) - Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。
我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。
提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文 参考訳(メタデータ) (2021-11-10T06:53:03Z) - Deep Embedded K-Means Clustering [1.5697094704362897]
主な考え方は、表現学習とクラスタリングが相互に強化できることだ。
本稿では,この2つの疑問に答えるために,DeKM(Deep Embedded K-Means)を提案する。
実世界のデータセットに関する実験結果は、DECMが最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-09-30T14:12:59Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳(メタデータ) (2021-01-06T17:36:26Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳(メタデータ) (2020-12-08T08:52:00Z) - Joint Optimization of an Autoencoder for Clustering and Embedding [22.16059261437617]
本稿では,自動エンコーダとクラスタリングを同時に学習する代替手法を提案する。
この単純なニューラルネットワークはクラスタリングモジュールと呼ばれ、ディープオートエンコーダに統合され、ディープクラスタリングモデルとなる。
論文 参考訳(メタデータ) (2020-12-07T14:38:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。