論文の概要: Deep adaptive fuzzy clustering for evolutionary unsupervised
representation learning
- arxiv url: http://arxiv.org/abs/2103.17086v1
- Date: Wed, 31 Mar 2021 13:58:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:46:48.386170
- Title: Deep adaptive fuzzy clustering for evolutionary unsupervised
representation learning
- Title（参考訳）: 進化的教師なし表現学習のための深層適応ファジィクラスタリング
- Authors: Dayu Tan, Zheng Huang, Xin Peng, Weimin Zhong, Vladimir Mahalec
- Abstract要約: 大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。
反復最適化による新しい進化的教師なし学習表現モデルを提案する。
ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
- 参考スコア（独自算出の注目度）: 2.8028128734158164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cluster assignment of large and complex images is a crucial but challenging
task in pattern recognition and computer vision. In this study, we explore the
possibility of employing fuzzy clustering in a deep neural network framework.
Thus, we present a novel evolutionary unsupervised learning representation
model with iterative optimization. It implements the deep adaptive fuzzy
clustering (DAFC) strategy that learns a convolutional neural network
classifier from given only unlabeled data samples. DAFC consists of a deep
feature quality-verifying model and a fuzzy clustering model, where deep
feature representation learning loss function and embedded fuzzy clustering
with the weighted adaptive entropy is implemented. We joint fuzzy clustering to
the deep reconstruction model, in which fuzzy membership is utilized to
represent a clear structure of deep cluster assignments and jointly optimize
for the deep representation learning and clustering. Also, the joint model
evaluates current clustering performance by inspecting whether the re-sampled
data from estimated bottleneck space have consistent clustering properties to
progressively improve the deep clustering model. Comprehensive experiments on a
variety of datasets show that the proposed method obtains a substantially
better performance for both reconstruction and clustering quality when compared
to the other state-of-the-art deep clustering methods, as demonstrated with the
in-depth analysis in the extensive experiments.
- Abstract（参考訳）: 大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて不可欠だが難しい課題である。
本研究では,ディープニューラルネットワークフレームワークにおけるファジィクラスタリングの可能性について検討する。
そこで我々は,反復最適化による新しい進化的教師なし学習表現モデルを提案する。
DAFC(Deep Adaptive Fuzzy Clustering)戦略を実装し、未ラベルのデータサンプルのみから畳み込みニューラルネットワーク分類器を学習する。
DAFCは、深部特徴量検証モデルとファジィクラスタリングモデルで構成され、深部特徴量表現学習損失関数と重み付き適応エントロピーを用いたファジィクラスタリングを実現する。
ファジィメンバシップを用いて深層クラスタ割り当ての明確な構造を表現し,深層表現学習とクラスタリングを共同で最適化した深層再構築モデルにファジィクラスタリングを組み合わせる。
また、推定ボトルネック空間から再サンプリングされたデータが一貫したクラスタリング特性を持つかどうかを検査することにより、現在のクラスタリング性能を評価し、ディープクラスタリングモデルを段階的に改善する。
各種データセットの包括的実験により, 提案手法は, 他の最先端の深層クラスタリング手法と比較して, 再現性およびクラスタリング品質の両面において, 極めて優れた性能が得られることを示した。
関連論文リスト
- GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - 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) - Deep Clustering Using the Soft Silhouette Score: Towards Compact and
Well-Separated Clusters [0.0]
我々はシルエット係数の確率的定式化であるソフトシルエットを提案する。
本稿では,ソフトシルエット目的関数の最適化に適した,オートエンコーダに基づくディープラーニングアーキテクチャを提案する。
提案したディープクラスタリング手法は、様々なベンチマークデータセット上でよく研究されたディープクラスタリング手法と比較された。
論文 参考訳（メタデータ） (2024-02-01T14:02:06Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - A Deep Dive into Deep Cluster [0.2578242050187029]
DeepClusterは、ビジュアル表現のシンプルでスケーラブルな教師なし事前トレーニングである。
本稿では,DeepClusterの収束と性能が,畳み込み層のランダムフィルタの品質と選択されたクラスタ数の相互作用に依存することを示す。
論文 参考訳（メタデータ） (2022-07-24T22:55:09Z) - 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) - Learning Statistical Representation with Joint Deep Embedded Clustering [2.1267423178232407]
StatDECは、共同統計表現学習とクラスタリングのための教師なしのフレームワークである。
実験により,これらの表現を用いることで,様々な画像データセットにまたがる不均衡な画像クラスタリングの結果を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2021-09-11T09:26:52Z) - 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) - Learning the Precise Feature for Cluster Assignment [39.320210567860485]
表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。
提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。
実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
論文 参考訳（メタデータ） (2021-06-11T04:08:54Z) - 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) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳（メタデータ） (2020-07-06T08:11:03Z)
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。