論文の概要: Self-Supervised Learning for Large-Scale Unsupervised Image Clustering

• arxiv url: http://arxiv.org/abs/2008.10312v2
• Date: Mon, 9 Nov 2020 16:14:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 09:15:37.029626
• Title: Self-Supervised Learning for Large-Scale Unsupervised Image Clustering
• Title（参考訳）: 大規模教師なし画像クラスタリングのための自己教師付き学習
• Authors: Evgenii Zheltonozhskii, Chaim Baskin, Alex M. Bronstein, Avi Mendelson
• Abstract要約: 自己教師付き表現に基づく教師なし分類のための簡易なスキームを提案する。 提案手法は,画像ネット分類における競合的な結果が得られることを示す,近年の自己教師型手法を用いて評価する。 自己教師型学習のための標準ベンチマークに教師なし評価を加えることを提案する。
• 参考スコア（独自算出の注目度）: 8.142434527938535
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised learning has always been appealing to machine learning researchers and practitioners, allowing them to avoid an expensive and complicated process of labeling the data. However, unsupervised learning of complex data is challenging, and even the best approaches show much weaker performance than their supervised counterparts. Self-supervised deep learning has become a strong instrument for representation learning in computer vision. However, those methods have not been evaluated in a fully unsupervised setting. In this paper, we propose a simple scheme for unsupervised classification based on self-supervised representations. We evaluate the proposed approach with several recent self-supervised methods showing that it achieves competitive results for ImageNet classification (39% accuracy on ImageNet with 1000 clusters and 46% with overclustering). We suggest adding the unsupervised evaluation to a set of standard benchmarks for self-supervised learning. The code is available at https://github.com/Randl/kmeans_selfsuper
• Abstract（参考訳）: 教師なし学習は、常に機械学習の研究者や実践者にアピールしており、データのラベル付けの費用がかかる複雑なプロセスを避けることができる。 しかし、複雑なデータの教師なし学習は困難であり、最良のアプローチでさえ、教師付きデータよりもはるかに弱い性能を示している。 自己教師付きディープラーニングは,コンピュータビジョンにおける表現学習の強力な手段となっている。 しかし、これらの手法は完全に教師なしの設定では評価されていない。 本稿では,自己教師付き表現に基づく教師なし分類のための簡単なスキームを提案する。 提案手法を,近年の自己教師あり方式で評価し,イメージネット分類における競合結果(39%の精度,1000クラスタ,46%の過クラスタ化)を実現した。 自己教師型学習のための標準ベンチマークに教師なし評価を加えることを提案する。 コードはhttps://github.com/Randl/kmeans_selfsuperで入手できる。

関連論文リスト

• Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
  自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。 本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T01:09:18Z)
• Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
  Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。 MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
  論文  参考訳（メタデータ） (2022-06-07T02:03:06Z)
• How Well Do Self-Supervised Methods Perform in Cross-Domain Few-Shot Learning? [17.56019071385342]
  クロスドメイン・マイクロショット・ラーニング(CDFSL)はコンピュータビジョンの領域では未解決の問題である。 本稿では,CDFSLの文脈における自己指導型表現学習の役割を,既存の手法の徹底的な評価を通じて検討する。 自己教師付き手法から抽出した表現は,教師付き手法よりも強い強靭性を示す。
  論文  参考訳（メタデータ） (2022-02-18T04:03:53Z)
• Unsupervised Clustering Active Learning for Person Re-identification [5.705895028045853]
  教師なしのre-idメソッドは、モデルをトレーニングするためにラベルのないデータに依存します。 本稿では,Unsupervised Clustering Active Learning (UCAL) Re-id Deep Learningアプローチを提案する。 代表的なセントロイドペアを漸進的に発見することができる。
  論文  参考訳（メタデータ） (2021-12-26T02:54:35Z)
• Weakly Supervised Contrastive Learning [68.47096022526927]
  この問題に対処するために,弱教師付きコントラスト学習フレームワーク(WCL)を導入する。 WCLはResNet50を使用して65%と72%のImageNet Top-1の精度を実現している。
  論文  参考訳（メタデータ） (2021-10-10T12:03:52Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• How Well Do Self-Supervised Models Transfer? [92.16372657233394]
  我々は、40の下流タスクにおいて、トップ13の自己教師型モデルの転送性能を評価する。 ImageNet Top-1の精度は、マルチショット認識への転送と非常に相関している。 全体としては、単一の自己監督的手法が支配的ではなく、普遍的な事前訓練がまだ未解決であることを示唆している。
  論文  参考訳（メタデータ） (2020-11-26T16:38:39Z)
• Unsupervised Image Classification for Deep Representation Learning [42.09716669386924]
  埋め込みクラスタリングを使わずに、教師なしのイメージ分類フレームワークを提案する。 提案手法の有効性を証明するために,ImageNetデータセットの実験を行った。
  論文  参考訳（メタデータ） (2020-06-20T02:57:06Z)
• Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
  本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。 提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2020-04-03T22:01:41Z)

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。