論文の概要: Face Clustering via Early Stopping and Edge Recall

• arxiv url: http://arxiv.org/abs/2408.13431v1
• Date: Sat, 24 Aug 2024 01:53:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 19:39:20.358870
• Title: Face Clustering via Early Stopping and Edge Recall
• Title（参考訳）: 早期停止とエッジリコールによる顔クラスタリング
• Authors: Junjie Liu,
• Abstract要約: 本稿では,非教師付き顔クラスタリングアルゴリズム FC-ES と教師付き顔クラスタリングアルゴリズム FC-ESER を提案する。 提案するFC-ESとFC-ESERは,従来の最先端手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 6.847295047818357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale face clustering has achieved significant progress, with many efforts dedicated to learning to cluster large-scale faces with supervised-learning. However, complex model design and tedious clustering processes are typical in existing methods. Such limitations result in infeasible clustering in real-world applications. Reasonable and efficient model design and training need to be taken into account. Besides, developing unsupervised face clustering algorithms is crucial, which are more realistic in real-world applications. In this paper, we propose a novel unsupervised face clustering algorithm FC-ES and a novel supervised face clustering algorithm FC-ESER to address these issues. An efficient and effective neighbor-based edge probability and a novel early stopping strategy are proposed in FC-ES, guaranteeing the accuracy and recall of large-scale face clustering simultaneously. Furthermore, to take advantage of supervised learning, a novel edge recall strategy is proposed in FC-ESER to further recall the edge connections that are not connected in FC-ES. Extensive experiments on multiple benchmarks for face, person, and vehicle clustering show that our proposed FC-ES and FC-ESER significantly outperform previous state-of-the-art methods. Our code will be available at https://github.com/jumptoliujj/FC-ESER.
• Abstract（参考訳）: 大規模顔クラスタリングは大きな進歩を遂げており、教師あり学習を伴う大規模顔クラスタリングの学習に多くの努力が注がれている。 しかし、複雑なモデル設計と退屈なクラスタリングプロセスは、既存の手法で典型的である。 このような制限は、現実世界のアプリケーションでは実現不可能なクラスタリングをもたらす。 合理的で効率的なモデル設計とトレーニングを考慮する必要がある。 さらに、教師なしの顔クラスタリングアルゴリズムの開発も重要であり、現実世界のアプリケーションではより現実的である。 本稿では,これらの問題に対処するために,非教師付き顔クラスタリングアルゴリズムFC-ESと教師付き顔クラスタリングアルゴリズムFC-ESERを提案する。 FC-ESでは, 大規模顔クラスタリングの精度とリコールを同時に保証し, 効率的で効果的な隣り合うエッジ確率と新しい早期停止戦略を提案する。 さらに,教師あり学習を活かすため,FC-ESERでは新たなエッジリコール戦略を提案し,FC-ESに接続されていないエッジ接続をさらにリコールする。 顔,人物,車両のクラスタリングに関する複数のベンチマーク実験により,提案したFC-ESとFC-ESERは,従来の最先端手法よりも大幅に優れていたことがわかった。 私たちのコードはhttps://github.com/jumptoliuj/FC-ESER.comで公開されます。

関連論文リスト

• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  textbfSemantic textbfEquitable textbfClustering (SEC) という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Machine Unlearning of Federated Clusters [36.663892269484506]
  フェデレーションクラスタリング(Federated Clustering)は、パーソナライズされたレコメンデータや医療システムなど、多くの実践的なアプリケーションで発生する、教師なしの学習問題である。 FCにおける機械学習の課題を初めて紹介する。 カスタマイズされたセキュアなFCフレームワークのための効率的なアンラーニング機構を提案する。
  論文  参考訳（メタデータ） (2022-10-28T22:21:29Z)
• An Improved Algorithm for Clustered Federated Learning [29.166363192740768]
  本稿では、フェデレートラーニング(FL)における異種モデル間の二分法と同時学習について述べる。 ユーザの(最適)局所モデルに基づいてFLの新しいクラスタリングモデルを定義する。 textttSR-FCAは、クラスタ内の堅牢な学習アルゴリズムを使用して、同時トレーニングとクラスタエラーの修正を行う。
  論文  参考訳（メタデータ） (2022-10-20T19:14:36Z)
• Provable Clustering of a Union of Linear Manifolds Using Optimal Directions [8.680676599607123]
  本稿では,サブスペースクラスタリング問題に対する数少ないクローズドフォームアルゴリズムの一つであるマトリックスファクトリゼーションに基づくクラスタリング(MFC)手法について述べる。 MFCとiPursuit(Innovation Pursuit)アルゴリズムの関連性を明らかにする。
  論文  参考訳（メタデータ） (2022-01-08T02:36:25Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• Efficient Large-Scale Face Clustering Using an Online Mixture of Gaussians [1.3101369903953806]
  大規模オンライン顔クラスタリングのためのオンラインガウス混合クラスタリング法(OGMC)を提案する。 受信面から抽出された特徴ベクトル(fベクトル)を使用して、OGMCは、その近接性と堅牢性に応じて、他の人と接続できるクラスタを生成します。 実験の結果,提案手法は大規模フェースクラスタリングベンチマークにおける最先端のクラスタリング手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-31T17:59:38Z)
• Structure-Aware Face Clustering on a Large-Scale Graph with $\bf{10^{7}}$ Nodes [76.6700928596238]
  大規模トレーニングデータのパワーを探索する構造保存サブグラフサンプリング戦略を提案する。 STAR-FCは310秒以内に部分的なMS1Mで91.97Fスコアを得る。
  論文  参考訳（メタデータ） (2021-03-24T14:34:26Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)
• 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。