論文の概要: Learn to Cluster Faces via Pairwise Classification

• arxiv url: http://arxiv.org/abs/2205.13117v1
• Date: Thu, 26 May 2022 02:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-28 06:25:44.207268
• Title: Learn to Cluster Faces via Pairwise Classification
• Title（参考訳）: ペアワイズ分類によるクラスタ顔の学習
• Authors: Junfu Liu, Di Qiu, Pengfei Yan, Xiaolin Wei
• Abstract要約: 顔クラスタリングは、巨大なラベルのない顔データを活用する上で重要な役割を果たす。 顔クラスタリングタスクをペア関係分類タスクとして定式化し、大規模グラフ上でのメモリ消費学習を回避する。 提案手法は,複数の公開クラスタリングベンチマークの最先端性能を高速に達成する。
• 参考スコア（独自算出の注目度）: 8.42777116250725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face clustering plays an essential role in exploiting massive unlabeled face data. Recently, graph-based face clustering methods are getting popular for their satisfying performances. However, they usually suffer from excessive memory consumption especially on large-scale graphs, and rely on empirical thresholds to determine the connectivities between samples in inference, which restricts their applications in various real-world scenes. To address such problems, in this paper, we explore face clustering from the pairwise angle. Specifically, we formulate the face clustering task as a pairwise relationship classification task, avoiding the memory-consuming learning on large-scale graphs. The classifier can directly determine the relationship between samples and is enhanced by taking advantage of the contextual information. Moreover, to further facilitate the efficiency of our method, we propose a rank-weighted density to guide the selection of pairs sent to the classifier. Experimental results demonstrate that our method achieves state-of-the-art performances on several public clustering benchmarks at the fastest speed and shows a great advantage in comparison with graph-based clustering methods on memory consumption.
• Abstract（参考訳）: 顔クラスタリングは、巨大なラベルのない顔データを活用する上で重要な役割を果たす。 近年,グラフベースの顔クラスタリング手法が注目されている。 しかし、それらは通常、特に大規模グラフで過剰なメモリ消費に苦しめられ、様々な実世界のシーンでアプリケーションを制限する推論におけるサンプル間の接続性を決定するために経験則的なしきい値に依存する。 このような問題に対処するため,本稿では対角から顔クラスタリングについて検討する。 具体的には,顔クラスタリングタスクを対関係分類タスクとして定式化し,大規模グラフ上でのメモリ消費学習を回避した。 分類器は、サンプル間の関係を直接決定でき、文脈情報を利用して強化される。 さらに,本手法の効率をさらに向上するため,分類器に送信されるペアの選択を誘導するランク重み付き密度を提案する。 実験結果から,提案手法は複数の公開クラスタリングベンチマークにおいて高速に動作し,メモリ消費におけるグラフベースのクラスタリング手法と比較して大きな優位性を示す。

関連論文リスト

• Improved Face Representation via Joint Label Classification and Supervised Contrastive Clustering [5.874142059884521]
  顔クラスタリングタスクは、大規模なデータから階層的なセマンティック情報を学ぶことができる。 本稿では,従来の顔認識タスクにクラスタ知識を導入するために,ラベル分類と教師付きコントラストクラスタリングの協調最適化タスクを提案する。
  論文  参考訳（メタデータ） (2023-12-07T03:55:20Z)
• On Mitigating Hard Clusters for Face Clustering [48.39472979642971]
  顔クラスタリングは、大規模な未ラベルの顔画像を使用して顔認識システムをスケールアップするための有望な方法である。 我々はNDDe(Neighborhood-Diffusion-based Density)とTPDi(Transition-Probability-based Distance)の2つの新しいモジュールを紹介した。 複数のベンチマーク実験により,各モジュールが最終性能に寄与することが示された。
  論文  参考訳（メタデータ） (2022-07-25T03:55:15Z)
• 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)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
  本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。 提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-24T15:36:49Z)
• 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)
• Structured Graph Learning for Scalable Subspace Clustering: From Single-view to Multi-view [28.779909990410978]
  グラフベースのサブスペースクラスタリング手法は有望な性能を示した。 コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。 上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-16T03:46:11Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。