論文の概要: Dual Adversarial Auto-Encoders for Clustering

• arxiv url: http://arxiv.org/abs/2008.10038v1
• Date: Sun, 23 Aug 2020 13:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 03:01:52.697810
• Title: Dual Adversarial Auto-Encoders for Clustering
• Title（参考訳）: クラスタリングのための二重反転オートエンコーダ
• Authors: Pengfei Ge, Chuan-Xian Ren, Jiashi Feng, Shuicheng Yan
• Abstract要約: 教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 152.84443014554745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a powerful approach for exploratory data analysis, unsupervised clustering is a fundamental task in computer vision and pattern recognition. Many clustering algorithms have been developed, but most of them perform unsatisfactorily on the data with complex structures. Recently, Adversarial Auto-Encoder (AAE) shows effectiveness on tackling such data by combining Auto-Encoder (AE) and adversarial training, but it cannot effectively extract classification information from the unlabeled data. In this work, we propose Dual Adversarial Auto-encoder (Dual-AAE) which simultaneously maximizes the likelihood function and mutual information between observed examples and a subset of latent variables. By performing variational inference on the objective function of Dual-AAE, we derive a new reconstruction loss which can be optimized by training a pair of Auto-encoders. Moreover, to avoid mode collapse, we introduce the clustering regularization term for the category variable. Experiments on four benchmarks show that Dual-AAE achieves superior performance over state-of-the-art clustering methods. Besides, by adding a reject option, the clustering accuracy of Dual-AAE can reach that of supervised CNN algorithms. Dual-AAE can also be used for disentangling style and content of images without using supervised information.
• Abstract（参考訳）: 探索的データ分析の強力なアプローチとして、教師なしクラスタリングはコンピュータビジョンとパターン認識の基本的な課題である。 多くのクラスタリングアルゴリズムが開発されているが、そのほとんどは複雑な構造を持つデータに対して不満足に動作している。 近年,Adversarial Auto-Encoder (AAE) は,オートエンコーダ (AE) と逆行訓練を組み合わせることで,そのようなデータに対処する効果を示すが,ラベルのないデータから分類情報を効果的に抽出することはできない。 そこで本研究では,実例と潜在変数のサブセット間の確率関数と相互情報を同時に最大化する2つの逆オートエンコーダ(dual-aae)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,2組のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 さらに,モード崩壊を回避するために,カテゴリ変数のクラスタリング正規化項を導入する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。 さらに、rejectオプションを追加することで、dual-aaeのクラスタリング精度は教師付きcnnアルゴリズムに到達できる。 Dual-AAEは、教師付き情報を用いることなく、画像のスタイルや内容の切り離しにも利用できる。

関連論文リスト

• Fusing Dictionary Learning and Support Vector Machines for Unsupervised Anomaly Detection [1.5999407512883508]
  本稿では,OC-SVMとDL残差関数を1つの合成対象に統一する新たな異常検出モデルを提案する。 両方の目的をカーネル関数の使用を可能にするより一般的な設定に拡張する。
  論文  参考訳（メタデータ） (2024-04-05T12:41:53Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• 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)
• Self-service Data Classification Using Interactive Visualization and Interpretable Machine Learning [9.13755431537592]
  Iterative Visual Logical (IVLC) は、解釈可能な機械学習アルゴリズムである。 IVLCは、医療領域における癌データのような機密で重要なデータを扱う際に特に有用である。 この章では、新しいコーディネートオーダー(COO)アルゴリズムと遺伝的アルゴリズムを組み合わせた自動分類手法を提案する。
  論文  参考訳（メタデータ） (2021-07-11T05:39:14Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Image Clustering using an Augmented Generative Adversarial Network and Information Maximization [9.614694312155798]
  本稿では,GAN (Modified Generative Adversarial Network) と補助分類器からなるディープクラスタリングフレームワークを提案する。 提案手法は, CIFAR-10 と CIFAR-100 のクラスタリング手法を著しく上回り, STL10 と MNIST のデータセットと競合する。
  論文  参考訳（メタデータ） (2020-11-08T22:20:33Z)
• Mixing Consistent Deep Clustering [3.5786621294068373]
  良い潜在表現は、2つの潜在表現の線形を復号する際に意味的に混合出力を生成する。 本稿では,表現をリアルに見せるための混合一貫性深層クラスタリング手法を提案する。 提案手法は,クラスタリング性能を向上させるために,既存のオートエンコーダに付加可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-03T19:47:06Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。