Fugu-MT 論文翻訳(概要): Interpretable Image Clustering via Diffeomorphism-Aware K-Means

論文の概要: Interpretable Image Clustering via Diffeomorphism-Aware K-Means

arxiv url: http://arxiv.org/abs/2012.09743v1
Date: Wed, 16 Dec 2020 16:11:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-03 10:35:02.800791
Title: Interpretable Image Clustering via Diffeomorphism-Aware K-Means
Title（参考訳）: Diffeomorphism-Aware K-Meansによる解釈可能な画像クラスタリング
Authors: Romain Cosentino, Randall Balestriero, Yanis Bahroun, Anirvan Sengupta, Richard Baraniuk, Behnaam Aazhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 20.747301413801843
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We design an interpretable clustering algorithm aware of the nonlinear structure of image manifolds. Our approach leverages the interpretability of $K$-means applied in the image space while addressing its clustering performance issues. Specifically, we develop a measure of similarity between images and centroids that encompasses a general class of deformations: diffeomorphisms, rendering the clustering invariant to them. Our work leverages the Thin-Plate Spline interpolation technique to efficiently learn diffeomorphisms best characterizing the image manifolds. Extensive numerical simulations show that our approach competes with state-of-the-art methods on various datasets.
Abstract（参考訳）: 画像多様体の非線形構造を考慮した解釈可能なクラスタリングアルゴリズムを設計する。画像空間に適用した$k$-meansの解釈可能性を利用し,クラスタリング性能の問題に対処した。具体的には,変形の一般的なクラスである微分同相写像(diffeomorphisms)を包含する画像とセントロイドの類似性の尺度を開発し,それらのクラスタリングを不変にする。本研究は, 薄板スプライン補間法を応用し, 画像多様体を最もよく特徴づける微分同相写像を効率的に学習する。大規模な数値シミュレーションにより,本手法は各種データセットの最先端手法と競合することが示された。

関連論文リスト

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)
ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文参考訳（メタデータ） (2022-03-01T02:32:25Z)
Self-supervised Contrastive Learning for Cross-domain Hyperspectral Image Representation [26.610588734000316]
本稿では,アノテートが本質的に困難であるハイパースペクトル画像に適した自己教師型学習フレームワークを提案する。提案するフレームワークアーキテクチャは、クロスドメインCNNを利用して、異なるハイパースペクトル画像から表現を学習する。実験結果は、スクラッチや他の移動学習法から学習したモデルに対して、提案した自己教師型表現の利点を示す。
論文参考訳（メタデータ） (2022-02-08T16:16:45Z)
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)
Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文参考訳（メタデータ） (2021-08-23T09:31:18Z)
Invariance-based Multi-Clustering of Latent Space Embeddings for Equivariant Learning [12.770012299379099]
より深い群不変学習を強制することにより、リー群多様体における等角写像を非共役化する手法を提案する。実験の結果,このモデルでは,不変表現と同変表現を効果的に切り離すことができ,学習速度が大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-07-25T03:27:47Z)
Multi-Facet Clustering Variational Autoencoders [9.150555507030083]
画像などの高次元データは通常、クラスタリング可能な複数の興味深い特徴を特徴付ける。 MFCVAE(Multi-Facet Clustering Variational Autoencoders)を導入する。 MFCVAEは複数のクラスタリングを同時に学習し、完全に教師なしでエンドツーエンドで訓練されている。
論文参考訳（メタデータ） (2021-06-09T17:36:38Z)
Representation Learning for Clustering via Building Consensus [3.7434090710577608]
Unsupervised Representation Learning (ConCURL) を用いたコンセンサスクラスタリングの提案 ConCURLは5つのイメージデータセットのうち4つで、最先端のメソッドよりもクラスタリングパフォーマンスが向上する。実世界のクラスタリングタスクにおける課題を反映するために,クラスタリングの評価手順を拡張した。
論文参考訳（メタデータ） (2021-05-04T05:04:03Z)
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)
Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文参考訳（メタデータ） (2021-03-25T09:31:41Z)
Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
論文参考訳（メタデータ） (2021-03-03T20:20:48Z)

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。