論文の概要: Image Clustering using Restricted Boltzman Machine

• arxiv url: http://arxiv.org/abs/2312.13845v2
• Date: Mon, 15 Jan 2024 01:39:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 23:57:35.566060
• Title: Image Clustering using Restricted Boltzman Machine
• Title（参考訳）: 制限ボルツマンマシンを用いた画像クラスタリング
• Authors: Abraham Woubie, Enoch Solomon and Eyael Solomon Emiru
• Abstract要約: 制限ボルツマンマシン(AHC-RBM)を用いた画像クラスタリングのための集約的階層クラスタリング手法を提案する。 各テスト画像からのデータを用いて適応的RBMモデルを訓練する。 埋め込みベクトルであるRBMベクトルは、可視から隠れた重み行列を連結することによって生成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In various verification systems, Restricted Boltzmann Machines (RBMs) have demonstrated their efficacy in both front-end and back-end processes. In this work, we propose the use of RBMs to the image clustering tasks. RBMs are trained to convert images into image embeddings. We employ the conventional bottom-up Agglomerative Hierarchical Clustering (AHC) technique. To address the challenge of limited test face image data, we introduce Agglomerative Hierarchical Clustering based Method for Image Clustering using Restricted Boltzmann Machine (AHC-RBM) with two major steps. Initially, a universal RBM model is trained using all available training dataset. Subsequently, we train an adapted RBM model using the data from each test image. Finally, RBM vectors which is the embedding vector is generated by concatenating the visible-to-hidden weight matrices of these adapted models, and the bias vectors. These vectors effectively preserve class-specific information and are utilized in image clustering tasks. Our experimental results, conducted on two benchmark image datasets (MS-Celeb-1M and DeepFashion), demonstrate that our proposed approach surpasses well-known clustering algorithms such as k-means, spectral clustering, and approximate Rank-order.
• Abstract（参考訳）: 様々な検証システムにおいて、制限ボルツマンマシン(RBM)はフロントエンドとバックエンドの両方のプロセスで有効性を示す。 本稿では,画像クラスタリングタスクにおけるrbmsの利用を提案する。 RBMはイメージをイメージ埋め込みに変換するために訓練されている。 従来のボトムアップ型階層クラスタリング(AHC)技術を採用している。 限定的なテスト顔画像データの課題に対処するため,本研究では2つの主要なステップを用いて,制限ボルツマンマシン(ahc-rbm)を用いた画像クラスタリングのための凝集的階層クラスタリング手法を提案する。 当初、ユニバーサルrbmモデルは利用可能なすべてのトレーニングデータセットを使用してトレーニングされる。 その後、各テスト画像からのデータを用いて適応RBMモデルを訓練する。 最後に、埋め込みベクトルであるRBMベクトルは、これらの適応モデルの可視から隠れた重み行列とバイアスベクトルを連結することにより生成される。 これらのベクトルはクラス固有の情報を効果的に保存し、画像クラスタリングタスクで利用される。 2つのベンチマーク画像データセット(MS-Celeb-1MとDeepFashion)で行った実験結果から,提案手法はk平均,スペクトルクラスタリング,近似ランクオーダーといった,よく知られたクラスタリングアルゴリズムを超えていることが示された。

関連論文リスト

• Multi-Head Attention Residual Unfolded Network for Model-Based Pansharpening [2.874893537471256]
  展開融合法は、ディープラーニングの強力な表現能力とモデルベースアプローチの堅牢性を統合する。 本稿では,衛星画像融合のためのモデルに基づく深部展開手法を提案する。 PRISMA、Quickbird、WorldView2データセットの実験結果から、本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-04T13:05:00Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• A consensus-constrained parsimonious Gaussian mixture model for clustering hyperspectral images [0.0]
  食品エンジニアは、ハイパースペクトル画像を使用して、食品サンプルのタイプと品質を分類する。 これらの手法を訓練するには、各トレーニング画像の各ピクセルにラベルを付ける必要がある。 ハイパースペクトル画像に画素をラベル付けするために, コンセンサス制約付き擬似ガウス混合モデル (ccPGMM) を提案する。
  論文  参考訳（メタデータ） (2024-03-05T22:23:43Z)
• Structural Restricted Boltzmann Machine for image denoising and classification [0.0]
  制限ボルツマンマシン(英: Restricted Boltzmann Machines)は、可視単位の別の層に接続された隠れ変数の層からなる生成モデルである。 本稿では,隠れたユニットの接続を可視単位の部分集合に制限する構造制限ボルツマンマシンモデルを提案する。 その結果,提案モデルではより高速かつ安定なトレーニングが可能であり,可視ユニットと隠蔽ユニットの接続が制限されていないRAMに比べ,良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-06-16T05:18:26Z)
• Unicom: Universal and Compact Representation Learning for Image Retrieval [65.96296089560421]
  大規模LAION400Mを,CLIPモデルにより抽出された共同テキストと視覚的特徴に基づいて,100万の擬似クラスにクラスタリングする。 このような矛盾を緩和するために、我々は、マージンベースのソフトマックス損失を構築するために、ランダムにクラス間の部分的なプロトタイプを選択する。 提案手法は,複数のベンチマークにおいて,教師なし,教師なしの画像検索手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-12T14:25:52Z)
• CoMAE: Single Model Hybrid Pre-training on Small-Scale RGB-D Datasets [50.6643933702394]
  本稿では,RGBと深度変調のための単一モデル自己教師型ハイブリッド事前学習フレームワークについて述べる。 我々のCoMAEは、コントラスト学習とマスク画像モデリングという2つの一般的な自己教師付き表現学習アルゴリズムを統合するためのカリキュラム学習戦略を提示している。
  論文  参考訳（メタデータ） (2023-02-13T07:09:45Z)
• Probabilistic PolarGMM: Unsupervised Cluster Learning of Very Noisy Projection Images of Unknown Pose [0.5156484100374059]
  本研究では,予測(EM)アルゴリズムを用いてソフトクラスタを教師なしで学習する方法を示す。 得られた回転クラスターは、ペアのアライメント不完全な存在に対して堅牢である。 シミュレーションされたCryo-EMデータセットのベンチマークでは、標準の単一粒子Cryo-EMツールと比較して、PolarGMMのパフォーマンスが向上している。
  論文  参考訳（メタデータ） (2022-06-26T20:20:10Z)
• 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)
• Image Modeling with Deep Convolutional Gaussian Mixture Models [79.0660895390689]
  画像の記述と生成に適したGMM(Deep Hierarchical Gaussian Mixture Models)の新しい定式化を紹介します。 DCGMMは、畳み込みとプーリング操作によってリンクされた複数のGMM層の積み重ねたアーキテクチャによってこれを回避している。 dcgmmsでシャープな画像を生成するために,畳み込みやプーリングなどの非可逆操作をサンプリングする新しい勾配に基づく手法を提案する。 MNISTとFashionMNISTのデータセットに基づいて,クラスタリング,サンプリング,外乱検出において,フラットなGMMよりも優れていることを示すことで,DCGMMsモデルを検証した。
  論文  参考訳（メタデータ） (2021-04-19T12:08:53Z)
• Fast Ensemble Learning Using Adversarially-Generated Restricted Boltzmann Machines [0.0]
  Restricted Boltzmann Machine (RBM)は近年注目され、データ確率分布をモデル化するエネルギーベースの構造に依存している。 本稿では,事前学習した重み行列がGAN入力として機能するAdversarial Learningを用いて,RBMを人工的に生成することを提案する。 画像再構成および画像分類タスクにおける提案手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2021-01-04T16:00:47Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)

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。