論文の概要: Learn to Cluster Faces with Better Subgraphs
- arxiv url: http://arxiv.org/abs/2304.10831v1
- Date: Fri, 21 Apr 2023 09:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 15:21:29.498950
- Title: Learn to Cluster Faces with Better Subgraphs
- Title(参考訳): より良いサブグラフで顔のクラスタ化を学ぶ
- Authors: Yuan Cao, Di Jiang, Guanqun Hou, Fan Deng, Xinjia Chen, Qiang Yang
- Abstract要約: 顔クラスタリングは、巨大な未ラベルの顔データに擬似ラベルを提供することができる。
既存のクラスタリング手法は、均一な閾値や学習されたカットオフ位置に基づいて、サブグラフ内の特徴を集約する。
本研究は、ノイズを著しく低減できる効率的な近傍対応サブグラフ調整法を提案する。
- 参考スコア(独自算出の注目度): 13.511058277653122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face clustering can provide pseudo-labels to the massive unlabeled face data
and improve the performance of different face recognition models. The existing
clustering methods generally aggregate the features within subgraphs that are
often implemented based on a uniform threshold or a learned cutoff position.
This may reduce the recall of subgraphs and hence degrade the clustering
performance. This work proposed an efficient neighborhood-aware subgraph
adjustment method that can significantly reduce the noise and improve the
recall of the subgraphs, and hence can drive the distant nodes to converge
towards the same centers. More specifically, the proposed method consists of
two components, i.e. face embeddings enhancement using the embeddings from
neighbors, and enclosed subgraph construction of node pairs for structural
information extraction. The embeddings are combined to predict the linkage
probabilities for all node pairs to replace the cosine similarities to produce
new subgraphs that can be further used for aggregation of GCNs or other
clustering methods. The proposed method is validated through extensive
experiments against a range of clustering solutions using three benchmark
datasets and numerical results confirm that it outperforms the SOTA solutions
in terms of generalization capability.
- Abstract(参考訳): 顔クラスタリングは、大量のラベルのない顔データに擬似ラベルを提供し、異なる顔認識モデルのパフォーマンスを向上させることができる。
既存のクラスタリング手法は一般に、均一な閾値や学習されたカットオフ位置に基づいてしばしば実装されるサブグラフ内で特徴を集約する。
これによりサブグラフのリコールが減少し、クラスタリング性能が低下する可能性がある。
本研究は、ノイズを著しく低減し、サブグラフのリコールを改善するため、遠方のノードを同じ中心に向かって収束させることができる効率的な近傍認識サブグラフ調整手法を提案する。
より具体的には、提案手法は、近傍からの埋め込みを用いた顔埋め込み強化と、構造情報抽出のためのノードペアの閉部分グラフ構成の2つの構成要素から構成される。
組込みを組み合わせることで、全てのノードペアの結合確率を予測し、コサインの類似性を置き換え、gcnsや他のクラスタリングメソッドの集約に使用できる新しいサブグラフを生成する。
提案手法は,3つのベンチマークデータセットを用いたクラスタリングソリューションに対する広範囲な実験により検証され,一般化能力の面ではsomaソリューションを上回っていることを確認した。
関連論文リスト
- Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳(メタデータ) (2024-04-16T07:05:16Z) - 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) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Progressive Sub-Graph Clustering Algorithm for Semi-Supervised Domain
Adaptation Speaker Verification [17.284276598514502]
マルチモデル投票と二重ガウスに基づく評価に基づく新しいプログレッシブサブグラフクラスタリングアルゴリズムを提案する。
破滅的なクラスタリング結果を防止するため、段階的にkを増大させ、二重ガウスに基づく評価アルゴリズムを用いる反復的手法を採用する。
論文 参考訳(メタデータ) (2023-05-22T04:26:18Z) - C3: Cross-instance guided Contrastive Clustering [8.953252452851862]
クラスタリングは、事前に定義されたラベルを使わずに、類似したデータサンプルをクラスタに収集するタスクである。
我々は,新しいコントラストクラスタリング手法であるクロスインスタンスガイドコントラストクラスタリング(C3)を提案する。
提案手法は、ベンチマークコンピュータビジョンデータセット上で最先端のアルゴリズムより優れている。
論文 参考訳(メタデータ) (2022-11-14T06:28:07Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding
for Heterogeneous Networks [6.900303913555705]
Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。
本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
論文 参考訳(メタデータ) (2021-08-09T11:36:36Z) - 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) - Improving k-Means Clustering Performance with Disentangled Internal
Representations [0.0]
本稿では,オートエンコーダの学習遅延符号表現の絡み合いを最適化する,シンプルなアプローチを提案する。
提案手法を用いて,MNISTデータセットでは96.2%,Fashion-MNISTデータセットでは85.6%,EMNIST Balancedデータセットでは79.2%,ベースラインモデルでは79.2%であった。
論文 参考訳(メタデータ) (2020-06-05T11:32:34Z) - 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。