Fugu-MT 論文翻訳(概要): SPICE: Semantic Pseudo-labeling for Image Clustering

論文の概要: SPICE: Semantic Pseudo-labeling for Image Clustering

arxiv url: http://arxiv.org/abs/2103.09382v1
Date: Wed, 17 Mar 2021 00:52:27 GMT
ステータス: 処理完了
システム内更新日: 2021-03-18 21:36:33.254290
Title: SPICE: Semantic Pseudo-labeling for Image Clustering
Title（参考訳）: SPICE:イメージクラスタリングのための意味的な擬似ラベル
Authors: Chuang Niu and Ge Wang
Abstract要約: SPICEはSemantic Pseudo-labeling framework for Image ClustEringである。自己学習を通じて擬似ラベルを生成し、擬似ラベルベースの分類損失を使用してディープクラスタリングネットワークを訓練する。本手法は,調整ランドインデックス,正規化相互情報,クラスタリング精度において,現在の最良値を約10%向上させる。
参考スコア（独自算出の注目度）: 5.357314252311141
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents SPICE, a Semantic Pseudo-labeling framework for Image ClustEring. Instead of using indirect loss functions required by the recently proposed methods, SPICE generates pseudo-labels via self-learning and directly uses the pseudo-label-based classification loss to train a deep clustering network. The basic idea of SPICE is to synergize the discrepancy among semantic clusters, the similarity among instance samples, and the semantic consistency of local samples in an embedding space to optimize the clustering network in a semantically-driven paradigm. Specifically, a semantic-similarity-based pseudo-labeling algorithm is first proposed to train a clustering network through unsupervised representation learning. Given the initial clustering results, a local semantic consistency principle is used to select a set of reliably labeled samples, and a semi-pseudo-labeling algorithm is adapted for performance boosting. Extensive experiments demonstrate that SPICE clearly outperforms the state-of-the-art methods on six common benchmark datasets including STL10, Cifar10, Cifar100-20, ImageNet-10, ImageNet-Dog, and Tiny-ImageNet. On average, our SPICE method improves the current best results by about 10% in terms of adjusted rand index, normalized mutual information, and clustering accuracy.
Abstract（参考訳）: 本稿では,画像ClustEringのためのセマンティックな擬似ラベルフレームワークSPICEを提案する。最近提案された手法で要求される間接的損失関数の代わりに、SPICEは自己学習により擬似ラベルを生成し、擬似ラベルに基づく分類損失を直接使用して深層クラスタリングネットワークを訓練する。 SPICEの基本的な考え方は、セマンティッククラスタ間の相違、インスタンスサンプル間の類似性、および埋め込み空間におけるローカルサンプルのセマンティック一貫性を相乗化して、セマンティック駆動のパラダイムでクラスタネットワークを最適化することである。具体的には、意味相似性に基づく擬似ラベルアルゴリズムが最初に提案され、教師なし表現学習を通じてクラスタリングネットワークを訓練する。初期クラスタリング結果から, 局所的セマンティック一貫性原理を用いて, 確実にラベル付けされたサンプルの集合を選択し, 半擬似ラベルアルゴリズムを性能向上に適用する。大規模な実験により、SPICEはSTL10、Cifar10、Cifar100-20、ImageNet-10、ImageNet-Dog、Tiny-ImageNetを含む6つの一般的なベンチマークデータセットにおいて、最先端の手法よりも明らかに優れていることが示された。また,SPICE法では,調整済みランドインデックス,正規化相互情報,クラスタリング精度などの観点から,現在の最適値を約10%改善する。

関連論文リスト

Semi-supervised Semantic Segmentation Meets Masked Modeling:Fine-grained Locality Learning Matters in Consistency Regularization [31.333862320143968]
半教師付きセマンティックセグメンテーションはラベル付き画像と豊富なラベル付き画像を利用してラベル効率の高い学習を実現することを目的としている。我々は,より詳細な局所性学習により,より高密度なセグメンテーションを実現する,textttMaskMatchという新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-14T03:28:53Z)
Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-30T00:32:47Z)
Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2023-09-01T11:15:50Z)
CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
論文参考訳（メタデータ） (2023-06-07T10:02:29Z)
Meta-learning representations for clustering with infinite Gaussian mixture models [39.56814839510978]
クラスタリング性能を向上させるためにニューラルネットワークを訓練するメタラーニング手法を提案する。提案手法は,非ラベルデータとは異なるラベルデータを用いた知識メタ学習を用いて,未ラベルデータをクラスタ化することができる。
論文参考訳（メタデータ） (2021-03-01T02:05:31Z)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。 CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文参考訳（メタデータ） (2020-06-17T17:58:10Z)
GATCluster: Self-Supervised Gaussian-Attention Network for Image Clustering [9.722607434532883]
画像クラスタリングのための自己教師型クラスタリングネットワーク(GATCluster)を提案する。まず中間機能を抽出し、次に従来のクラスタリングを実行する代わりに、GATClusterセマンティッククラスタラベルを後処理なしで実行します。大規模画像のクラスタリングにメモリ効率のよい2段階学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-02-27T00:57:18Z)
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。このようなペア関係を学習するための反復アルゴリズムを提案する。本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文参考訳（メタデータ） (2020-02-19T10:32:03Z)
Towards Bounding-Box Free Panoptic Segmentation [16.4548904544277]
パン光学セグメンテーションのための新しいBunding-Box Free Network (BBFNet) を提案する。 BBFNetは、粗い流域レベルを予測し、境界が適切に定義された大きなインスタンス候補を検出するためにそれらを使用する。境界が信頼性の低い小さなインスタンスでは、BBFNetはHoughの投票によってインスタンス中心を予測し、続いて平均シフトによって小さなオブジェクトを確実に検出する。
論文参考訳（メタデータ） (2020-02-18T16:34:01Z)

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。