論文の概要: Image Clustering using an Augmented Generative Adversarial Network and
Information Maximization
- arxiv url: http://arxiv.org/abs/2011.04094v1
- Date: Sun, 8 Nov 2020 22:20:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 08:36:33.770286
- Title: Image Clustering using an Augmented Generative Adversarial Network and
Information Maximization
- Title（参考訳）: 拡張生成型逆ネットワークと情報最大化を用いた画像クラスタリング
- Authors: Foivos Ntelemis, Yaochu Jin, Spencer A. Thomas
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.614694312155798
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Image clustering has recently attracted significant attention due to the
increased availability of unlabelled datasets. The efficiency of traditional
clustering algorithms heavily depends on the distance functions used and the
dimensionality of the features. Therefore, performance degradation is often
observed when tackling either unprocessed images or high-dimensional features
extracted from processed images. To deal with these challenges, we propose a
deep clustering framework consisting of a modified generative adversarial
network (GAN) and an auxiliary classifier. The modification employs Sobel
operations prior to the discriminator of the GAN to enhance the separability of
the learned features. The discriminator is then leveraged to generate
representations as the input to an auxiliary classifier. An adaptive objective
function is utilised to train the auxiliary classifier for clustering the
representations, aiming to increase the robustness by minimizing the divergence
of multiple representations generated by the discriminator. The auxiliary
classifier is implemented with a group of multiple cluster-heads, where a
tolerance hyper-parameter is used to tackle imbalanced data. Our results
indicate that the proposed method significantly outperforms state-of-the-art
clustering methods on CIFAR-10 and CIFAR-100, and is competitive on the STL10
and MNIST datasets.
- Abstract（参考訳）: 画像クラスタリングは最近、ラベルなしデータセットの可用性が高まり、大きな注目を集めている。
従来のクラスタリングアルゴリズムの効率は、使用される距離関数と特徴の次元に大きく依存する。
したがって、未処理画像または処理画像から抽出された高次元特徴に取り組む場合、性能劣化がしばしば観察される。
そこで,これらの課題に対処するために,gan(modified generative adversarial network)と補助分類器からなる深層クラスタリングフレームワークを提案する。
この修正は、学習特徴の分離性を高めるために、GANの差別化に先立ってソベルの操作を採用する。
判別器は、補助分類器への入力として表現を生成するために利用される。
適応目的関数を用いて、識別器が生成する複数の表現の発散を最小限にしてロバスト性を高めることを目的とした、表現をクラスタリングするための補助分類器を訓練する。
補助分類器は複数のクラスタヘッドのグループで実装され、寛容なハイパーパラメータを用いて不均衡なデータに取り組む。
提案手法は, CIFAR-10 と CIFAR-100 のクラスタリング手法よりもかなり優れており, STL10 と MNIST のデータセットと競合する。
関連論文リスト
- Dynamic Clustering and Cluster Contrastive Learning for Unsupervised
Person Re-identification [29.167783500369442]
教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。
本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。
提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
論文 参考訳（メタデータ） (2023-03-13T01:56:53Z) - Improved Dual Correlation Reduction Network [40.792587861237166]
改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。
クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。
また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
論文 参考訳（メタデータ） (2022-02-25T07:48:32Z) - Deep clustering with fusion autoencoder [0.0]
ディープクラスタリング(DC)モデルは、オートエンコーダを利用して、結果としてクラスタリングプロセスを促進する固有の特徴を学ぶ。
本稿では、この問題に対処するための新しいDC法を提案し、特に、生成逆数ネットワークとVAEを融合オートエンコーダ(FAE)と呼ばれる新しいオートエンコーダに結合する。
論文 参考訳（メタデータ） (2022-01-11T07:38:03Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Augmented Data as an Auxiliary Plug-in Towards Categorization of
Crowdsourced Heritage Data [2.609784101826762]
本稿では,データ拡張を補助プラグインとして導入することで,非効率なクラスタリング性能の問題を緩和する戦略を提案する。
我々は、深層クラスタリングのための新しいモデルとして初期特徴空間を構築するために、拡張データを用いた畳み込みオートエンコーダ(CAE)の変種を訓練する。
論文 参考訳（メタデータ） (2021-07-08T14:09:39Z) - Channel DropBlock: An Improved Regularization Method for Fine-Grained
Visual Classification [58.07257910065007]
既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。
本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-07T09:03:02Z) - 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) - 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) - 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) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
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。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z) - AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive
Person Re-identification [0.0]
本稿では,対象ドメイン内の個人クラスタを推定・拡張する,新たな識別クラスタリング手法を提案する。
AD-Clusterは、反復密度に基づくクラスタリング、適応的なサンプル拡張、識別的特徴学習によって訓練されている。
Market-1501 と DukeMTMC-reID による実験では、AD-Cluster は最先端の最先端を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-04-19T07:34:37Z)
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。