論文の概要: Contextually Affinitive Neighborhood Refinery for Deep Clustering

• arxiv url: http://arxiv.org/abs/2312.07806v1
• Date: Tue, 12 Dec 2023 23:56:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:09:26.246343
• Title: Contextually Affinitive Neighborhood Refinery for Deep Clustering
• Title（参考訳）: 深層クラスタリングのための環境調和型近傍精錬所
• Authors: Chunlin Yu, Ye Shi, Jingya Wang
• Abstract要約: 本研究では,より情報に富む近隣住民をコラボニティブ(ConAff)地区で探索する効率的なオンライン・リランク・プロセスを提案する。 提案手法は,汎用的な自己教師型フレームワークに容易に組み込むことができ,いくつかの一般的なベンチマークにおいて最先端の手法よりも優れる。
• 参考スコア（独自算出の注目度）: 13.48547883315848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous endeavors in self-supervised learning have enlightened the research of deep clustering from an instance discrimination perspective. Built upon this foundation, recent studies further highlight the importance of grouping semantically similar instances. One effective method to achieve this is by promoting the semantic structure preserved by neighborhood consistency. However, the samples in the local neighborhood may be limited due to their close proximity to each other, which may not provide substantial and diverse supervision signals. Inspired by the versatile re-ranking methods in the context of image retrieval, we propose to employ an efficient online re-ranking process to mine more informative neighbors in a Contextually Affinitive (ConAff) Neighborhood, and then encourage the cross-view neighborhood consistency. To further mitigate the intrinsic neighborhood noises near cluster boundaries, we propose a progressively relaxed boundary filtering strategy to circumvent the issues brought by noisy neighbors. Our method can be easily integrated into the generic self-supervised frameworks and outperforms the state-of-the-art methods on several popular benchmarks.
• Abstract（参考訳）: 自己教師付き学習のこれまでの取り組みは、インスタンス識別の観点から深いクラスタリングの研究を啓蒙してきた。 この基盤の上に構築された最近の研究は、意味的に類似したインスタンスをグループ化することの重要性を強調している。 これを実現する効果的な方法の一つは、近傍一貫性によって保存される意味構造を促進することである。 しかし、周辺地域のサンプルは互いに近接しているため制限される可能性があり、実質的に多様な監視信号を提供しない可能性がある。 画像検索の文脈における多彩な再ランク付け手法に着想を得て,より情報に富んだ隣人を,文脈に親和性のある(仲間)近傍で発掘し,その際,地域間一貫性を促進するために,効率的なオンライン再ランク付けプロセスを採用することを提案する。 クラスタ境界近傍の固有近傍雑音を緩和するため, 雑音近傍の問題を回避すべく, 漸進的に緩和された境界フィルタリング手法を提案する。 提案手法は,汎用的な自己教師型フレームワークに容易に統合でき,いくつかのベンチマークで最先端の手法よりも優れている。

関連論文リスト

• Comparative Study of Neighbor-based Methods for Local Outlier Detection [4.556974104115929]
  本稿では,既存の外乱検出アルゴリズムの隣人について検討し,情報・隣人・方法論の3レベル成分を用いてハイブリッド手法を定義した分類法を提案する。 その結果, 高次元空間での作業には, 逆K-アレスト近傍法が有望な性能を実現し, 動的選択法が適していることが示唆された。
  論文  参考訳（メタデータ） (2024-05-29T16:28:12Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• 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)
• Reformulating Speaker Diarization as Community Detection With Emphasis On Topological Structure [10.508187462682308]
  クラスタリングベースの話者ダイアリゼーションは、現実において主要なアプローチの1つとして定着している。 本稿では,クラスタリングに基づくダイアリゼーションをコミュニティ検出問題とみなす。
  論文  参考訳（メタデータ） (2022-04-26T07:18:05Z)
• XPROAX-Local explanations for text classification with progressive neighborhood approximation [13.312630052709766]
  本稿では,初期ランドマークとして対実例を用いた周辺地域の漸進的近似を提案する。 すると、カウンターファクトアルを洗練し、説明すべき入力インスタンスの近傍で事実を生成する。 実世界のデータセットに対する我々の実験は,本手法が有用性と安定性の点で競合に勝ることを示した。
  論文  参考訳（メタデータ） (2021-09-30T11:01:07Z)
• Modelling Neighbor Relation in Joint Space-Time Graph for Video Correspondence Learning [53.74240452117145]
  本稿では、ラベルなしビデオから信頼できる視覚対応を学習するための自己教師付き手法を提案する。 接続時空間グラフでは,ノードがフレームからサンプリングされたグリッドパッチであり,2種類のエッジによってリンクされる。 学習した表現は、様々な視覚的タスクにおいて最先端の自己監督手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-28T05:40:01Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• Weighted Sparse Subspace Representation: A Unified Framework for Subspace Clustering, Constrained Clustering, and Active Learning [0.3553493344868413]
  まず,近距離点の疎凸結合として各点を表現しようとするスペクトルに基づく新しい部分空間クラスタリングアルゴリズムを提案する。 次に、アルゴリズムを制約付きクラスタリングとアクティブな学習設定に拡張します。 このようなフレームワークを開発する動機は、通常、少量のラベル付きデータが事前に利用可能であるという事実や、いくつかのポイントをコストでラベル付けできるという事実に起因しています。
  論文  参考訳（メタデータ） (2021-06-08T13:39:43Z)
• Panoster: End-to-end Panoptic Segmentation of LiDAR Point Clouds [81.12016263972298]
  我々は,LiDAR点雲のための提案不要なパノプティックセグメンテーション手法であるパノスターを提案する。 従来のアプローチとは異なり、Panosterでは、インスタンスを識別するための学習ベースのクラスタリングソリューションを組み込んだ、シンプルなフレームワークを提案している。 推論時に、これはクラスに依存しないセグメンテーションとして機能し、パノスターは高速で、精度の点で先行メソッドよりも優れている。
  論文  参考訳（メタデータ） (2020-10-28T18:10:20Z)
• A flexible outlier detector based on a topology given by graph communities [0.0]
  異常検出は機械学習手法と統計的予測モデルの最適性能に不可欠である。 トポロジーは、特徴空間内の互いに隣接する近傍を成す重み付きグラフのコミュニティを用いて計算される。 当社のアプローチは、ローカル戦略とグローバル戦略の両方において、複数のビュー設定と単一ビュー設定で総合的に優れています。
  論文  参考訳（メタデータ） (2020-02-18T18:40:31Z)

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。