論文の概要: Deep Transformation-Invariant Clustering

• arxiv url: http://arxiv.org/abs/2006.11132v2
• Date: Tue, 27 Oct 2020 18:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 03:31:10.490047
• Title: Deep Transformation-Invariant Clustering
• Title（参考訳）: 深層変態不変クラスタリング
• Authors: Tom Monnier, Thibault Groueix, Mathieu Aubry
• Abstract要約: 抽象的な特徴に頼らず、画像変換の予測を学ぶアプローチを提案する。 この学習プロセスは、K平均とガウス混合モデルの勾配に基づく訓練に自然に適合する。 我々の新しいアプローチは、標準的な画像クラスタリングベンチマークにおいて、競争力があり、非常に有望な結果をもたらすことを実証する。
• 参考スコア（独自算出の注目度）: 24.23117820167443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in image clustering typically focus on learning better deep representations. In contrast, we present an orthogonal approach that does not rely on abstract features but instead learns to predict image transformations and performs clustering directly in image space. This learning process naturally fits in the gradient-based training of K-means and Gaussian mixture model, without requiring any additional loss or hyper-parameters. It leads us to two new deep transformation-invariant clustering frameworks, which jointly learn prototypes and transformations. More specifically, we use deep learning modules that enable us to resolve invariance to spatial, color and morphological transformations. Our approach is conceptually simple and comes with several advantages, including the possibility to easily adapt the desired invariance to the task and a strong interpretability of both cluster centers and assignments to clusters. We demonstrate that our novel approach yields competitive and highly promising results on standard image clustering benchmarks. Finally, we showcase its robustness and the advantages of its improved interpretability by visualizing clustering results over real photograph collections.
• Abstract（参考訳）: 画像クラスタリングの最近の進歩は、一般的により深い表現を学ぶことに焦点を当てている。 対照的に,抽象的な特徴に依存しず,画像変換の予測を学び,画像空間内で直接クラスタリングを行う直交的アプローチを提案する。 この学習プロセスはK平均とガウス混合モデルの勾配に基づく訓練に自然に適合するが、余分な損失やハイパーパラメータは不要である。 これは、プロトタイプと変換を共同で学習する2つの新しいディープトランスフォーメーション不変のクラスタリングフレームワークにつながります。 より具体的には、深層学習モジュールを使用して、空間、色、形態的変換の不変性を解消します。 我々のアプローチは概念的に単純であり、タスクに望まれる不変性を容易に適応できる可能性や、クラスタセンターとクラスタへの割り当ての強い解釈可能性など、いくつかの利点がある。 提案手法は,標準画像クラスタリングベンチマークにおいて,競争力が高く,有望な結果をもたらすことを実証する。 最後に,実写真コレクション上でのクラスタリング結果を可視化することで,その頑健さと解釈性の向上の利点を示す。

関連論文リスト

• A Spitting Image: Modular Superpixel Tokenization in Vision Transformers [0.0]
  Vision Transformer (ViT) アーキテクチャは伝統的に、画像の意味的内容に依存しないトークン化のためのグリッドベースのアプローチを採用している。 本稿では,トークン化と特徴抽出を分離するモジュール型スーパーピクセルトークン化戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-14T17:28:58Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Grid Jigsaw Representation with CLIP: A New Perspective on Image Clustering [37.15595383168132]
  GJR(Grid Jigsaw Representation)と呼ばれる、画像クラスタリングのためのJigsawベースの戦略手法。 GJRモジュールは、さまざまな深層畳み込みネットワークに付加され、幅広いベンチマークデータセットで大幅に改善された。 実験の結果,ACC,NMI,ARIの3つの指標と超高速収束速度に対するクラスタリング作業の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-27T03:07:05Z)
• Motion Estimation for Large Displacements and Deformations [7.99536002595393]
  粗い微細なスキームに基づく変分光学フロー技術はスパースマッチングを補間し、色、勾配、滑らかさを条件としたエネルギーモデルを局所的に最適化する。 本稿では, この問題に対処し, 大きな変位と変形に対する変動運動推定フレームワークであるHybridFlowを提案する。
  論文  参考訳（メタデータ） (2022-06-24T18:53:22Z)
• Learning Contrastive Representation for Semantic Correspondence [150.29135856909477]
  セマンティックマッチングのためのマルチレベルコントラスト学習手法を提案する。 画像レベルのコントラスト学習は、畳み込み特徴が類似したオブジェクト間の対応を見出すための鍵となる要素であることを示す。
  論文  参考訳（メタデータ） (2021-09-22T18:34:14Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Interpretable Image Clustering via Diffeomorphism-Aware K-Means [20.747301413801843]
  一般の変形のクラスを含む画像とセントロイドの類似性の尺度:微分同相性(diffeomorphisms)を開発する。 提案手法は, 各種データセットの最先端手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-12-16T16:11:39Z)
• Scattering Transform Based Image Clustering using Projection onto Orthogonal Complement [2.0305676256390934]
  本稿では,画像クラスタリングのための最先端,安定,高速なアルゴリズムであるProjected-Scattering Spectral Clustering (PSSC)を紹介する。 PSSCは、小さな画像の散乱変換の幾何学的構造を利用する新しい方法を含む。 実験の結果,PSSCは全ての浅層クラスタリングアルゴリズムの中で最良の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-11-23T17:59:03Z)
• Invariant Deep Compressible Covariance Pooling for Aerial Scene Categorization [80.55951673479237]
  本研究では,空気シーン分類におけるニュアンス変動を解決するために,新しい不変な深部圧縮性共分散プール (IDCCP) を提案する。 本研究では,公開空間画像データセットに関する広範な実験を行い,最先端の手法と比較して,この手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-11-11T11:13:07Z)
• FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
  本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。 これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。 提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2020-07-16T17:55:31Z)

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。