論文の概要: Self-Supervised Deep Subspace Clustering with Entropy-norm
- arxiv url: http://arxiv.org/abs/2206.04958v1
- Date: Fri, 10 Jun 2022 09:15:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 23:20:56.541275
- Title: Self-Supervised Deep Subspace Clustering with Entropy-norm
- Title（参考訳）: エントロピーノルムを用いた自己監督型深部宇宙クラスタリング
- Authors: Guangyi Zhao and Simin Kou and Xuesong Yin
- Abstract要約: エントロピーノルムを用いた自己監督深部サブスペースクラスタリング(S$3$CE)
S$3$CEは自己教師付きコントラストネットワークを利用して、より効率的な特徴ベクトルを得る。
データ拡張を伴う新しいモジュールは、S$3$CEがデータのキー情報に集中できるように設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Auto-Encoder based deep subspace clustering (DSC) is widely used in computer
vision, motion segmentation and image processing. However, it suffers from the
following three issues in the self-expressive matrix learning process: the
first one is less useful information for learning self-expressive weights due
to the simple reconstruction loss; the second one is that the construction of
the self-expression layer associated with the sample size requires
high-computational cost; and the last one is the limited connectivity of the
existing regularization terms. In order to address these issues, in this paper
we propose a novel model named Self-Supervised deep Subspace Clustering with
Entropy-norm (S$^{3}$CE). Specifically, S$^{3}$CE exploits a self-supervised
contrastive network to gain a more effetive feature vector. The local structure
and dense connectivity of the original data benefit from the self-expressive
layer and additional entropy-norm constraint. Moreover, a new module with data
enhancement is designed to help S$^{3}$CE focus on the key information of data,
and improve the clustering performance of positive and negative instances
through spectral clustering. Extensive experimental results demonstrate the
superior performance of S$^{3}$CE in comparison to the state-of-the-art
approaches.
- Abstract（参考訳）: オートエンコーダベースのディープサブスペースクラスタリング(DSC)はコンピュータビジョン、モーションセグメンテーション、画像処理で広く使われている。
しかし, 自己表現型マトリックス学習プロセスでは, 第一に単純な再構成損失による自己表現重みの学習にはあまり有用でない, 第二に, サンプルサイズに応じた自己表現層の構築には高い計算コストが必要, 第二に既存の正規化項の接続性が限られている, という3つの問題に苦しむ。
本稿では,これらの問題に対処するために,Entropy-norm(S$^{3}$CE)を用いた自己スーパービジョン深部サブスペースクラスタリング(Self-Supervised Deep Subspace Clustering)という新しいモデルを提案する。
具体的には、S$^{3}$CEは自己教師付きコントラストネットワークを利用してより効率的な特徴ベクトルを得る。
元のデータの局所構造と密結合は、自己表現層と追加のエントロピーノルム制約の恩恵を受ける。
さらに、S$^{3}$CEがデータのキー情報にフォーカスし、スペクトルクラスタリングによって正および負のインスタンスのクラスタリング性能を向上させるために、データ拡張を伴う新しいモジュールが設計された。
実験の結果,S$^{3}$CEは最先端の手法に比べて優れた性能を示した。
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) - UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。
まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。
次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
論文 参考訳（メタデータ） (2024-02-12T19:39:26Z) - 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) - Unsupervised Learning on 3D Point Clouds by Clustering and Contrasting [11.64827192421785]
教師なし表現学習は、人間の介入なしに機能を自動抽出するための有望な方向である。
本稿では、ポイントワイドおよびグローバルな特徴の学習を行うために、textbfConClu という、一般的な教師なしアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-05T12:54:17Z) - Deep clustering with fusion autoencoder [0.0]
ディープクラスタリング(DC)モデルは、オートエンコーダを利用して、結果としてクラスタリングプロセスを促進する固有の特徴を学ぶ。
本稿では、この問題に対処するための新しいDC法を提案し、特に、生成逆数ネットワークとVAEを融合オートエンコーダ(FAE)と呼ばれる新しいオートエンコーダに結合する。
論文 参考訳（メタデータ） (2022-01-11T07:38:03Z) - Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。
我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。
提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文 参考訳（メタデータ） (2021-11-10T06:53:03Z) - Pseudo-supervised Deep Subspace Clustering [27.139553299302754]
オートエンコーダ (AE) ベースのディープサブスペースクラスタリング (DSC) 手法は優れた性能を発揮している。
しかし、AEの自己再建損失は、豊富な有用な関係情報を無視する。
また、セマンティクスラベルを供給せずにハイレベルな類似性を学ぶことも困難である。
論文 参考訳（メタデータ） (2021-04-08T06:25:47Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Deep N-ary Error Correcting Output Codes [66.15481033522343]
Ecoror Correcting Output Codes (ECOC) のようなデータ非依存のアンサンブル手法が注目を集めている。
N-ary ECOCは、元の多クラス分類問題を、独立した単純な分類サブプロブレムのシリーズに分解する。
深部N-ary ECOCのためのパラメータ共有アーキテクチャの3つのバリエーションを提案する。
論文 参考訳（メタデータ） (2020-09-22T11:35:03Z) - Dual-constrained Deep Semi-Supervised Coupled Factorization Network with
Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。
隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。
我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文 参考訳（メタデータ） (2020-09-08T13:10:21Z)
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。