Fugu-MT 論文翻訳(概要): Scattering Transform Based Image Clustering using Projection onto Orthogonal Complement

論文の概要: Scattering Transform Based Image Clustering using Projection onto Orthogonal Complement

arxiv url: http://arxiv.org/abs/2011.11586v2
Date: Tue, 24 Nov 2020 19:16:39 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 02:28:05.249170
Title: Scattering Transform Based Image Clustering using Projection onto Orthogonal Complement
Title（参考訳）: 直交補体への投影を用いた散乱変換に基づく画像クラスタリング
Authors: Angel Villar-Corrales and Veniamin I. Morgenshtern
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.0305676256390934
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the last few years, large improvements in image clustering have been driven by the recent advances in deep learning. However, due to the architectural complexity of deep neural networks, there is no mathematical theory that explains the success of deep clustering techniques. In this work we introduce Projected-Scattering Spectral Clustering (PSSC), a state-of-the-art, stable, and fast algorithm for image clustering, which is also mathematically interpretable. PSSC includes a novel method to exploit the geometric structure of the scattering transform of small images. This method is inspired by the observation that, in the scattering transform domain, the subspaces formed by the eigenvectors corresponding to the few largest eigenvalues of the data matrices of individual classes are nearly shared among different classes. Therefore, projecting out those shared subspaces reduces the intra-class variability, substantially increasing the clustering performance. We call this method Projection onto Orthogonal Complement (POC). Our experiments demonstrate that PSSC obtains the best results among all shallow clustering algorithms. Moreover, it achieves comparable clustering performance to that of recent state-of-the-art clustering techniques, while reducing the execution time by more than one order of magnitude. In the spirit of reproducible research, we publish a high quality code repository along with the paper.
Abstract（参考訳）: ここ数年、画像クラスタリングの大幅な改善は、ディープラーニングの最近の進歩によって進められている。しかし、ディープニューラルネットワークのアーキテクチャ上の複雑さのため、ディープクラスタリング技術の成功を説明する数学的理論は存在しない。本稿では,画像クラスタリングのための最新かつ安定かつ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。この方法は、散乱変換領域において、個々のクラスのデータ行列の最小の固有値に対応する固有ベクトルによって形成される部分空間が、ほとんど異なるクラス間で共有されているという観察から着想を得ている。したがって、これらの共有サブスペースを投影することでクラス内変数が減少し、クラスタリング性能が大幅に向上する。我々はこの手法を射影を直交補足(POC)と呼ぶ。実験により,psscはすべての浅層クラスタリングアルゴリズムにおいて最高の結果を得た。さらに、現在の最先端のクラスタリング技術と同等のクラスタリング性能を実現し、実行時間を1桁以上削減する。再現可能な研究の精神では、論文とともに高品質なコードリポジトリを公開しています。

関連論文リスト

Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文参考訳（メタデータ） (2024-04-10T15:51:46Z)
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)
Contrastive Multi-view Subspace Clustering of Hyperspectral Images based on Graph Convolutional Networks [14.978666092012856]
サブスペースクラスタリングは、ハイパースペクトル画像のクラスタリングに有効なアプローチである。本研究では,グラフ畳み込みネットワークに基づくHSIのマルチビューサブスペースクラスタリングを提案する。提案手法は,HSIのクラスタリング精度を効果的に向上する。
論文参考訳（メタデータ） (2023-12-11T02:22:10Z)
DeepVAT: A Self-Supervised Technique for Cluster Assessment in Image Datasets [1.911666854588103]
従来のクラスタリングアルゴリズムでは、ラベルのない、複雑な、高次元のデータセット(画像など)のクラスタ数やクラスタ構造を見積もることは難しい。複雑な画像データセットにおけるクラスタ構造の評価を可能にするディープラーニングベースのフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-29T22:32:39Z)
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)
Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文参考訳（メタデータ） (2022-07-09T13:35:12Z)
DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文参考訳（メタデータ） (2022-06-01T09:51:38Z)
Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry [9.619814126465206]
クラスタリングアルゴリズムはデータセットを類似点のグループに分割する。本論文の主な貢献は,マルチスケール空間規則化拡散学習(M-SRDL)クラスタリングアルゴリズムである。マルチスケールクラスタリングフレームワークに空間正規化を組み込むことは、hsiデータに適用するとより滑らかでより一貫性のあるクラスタに対応できることを示す。
論文参考訳（メタデータ） (2021-03-29T17:24:28Z)
Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文参考訳（メタデータ） (2020-10-22T15:58:35Z)
Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。 5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文参考訳（メタデータ） (2020-08-23T08:25:06Z)
Deep Transformation-Invariant Clustering [24.23117820167443]
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。
論文参考訳（メタデータ） (2020-06-19T13:43:08Z)

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。