論文の概要: Interpretable Text-Guided Image Clustering via Iterative Search

• arxiv url: http://arxiv.org/abs/2506.12514v1
• Date: Sat, 14 Jun 2025 13:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.398794
• Title: Interpretable Text-Guided Image Clustering via Iterative Search
• Title（参考訳）: 反復探索によるテキストガイド画像クラスタリングの解釈
• Authors: Bingchen Zhao, Oisin Mac Aodha,
• Abstract要約: 特定のユーザーは、異なる基準を使って同じデータにクラスタを作りたいかもしれない。 我々は、教師なしクラスタリングの目的によってガイドされる反復的な発見プロセスを利用する、ITGCという新しいテキスト誘導クラスタリング手法を提案する。 画像クラスタリングやきめ細かい分類ベンチマークにおいて,既存の手法と比較して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 22.032915471999864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional clustering methods aim to group unlabeled data points based on their similarity to each other. However, clustering, in the absence of additional information, is an ill-posed problem as there may be many different, yet equally valid, ways to partition a dataset. Distinct users may want to use different criteria to form clusters in the same data, e.g. shape v.s. color. Recently introduced text-guided image clustering methods aim to address this ambiguity by allowing users to specify the criteria of interest using natural language instructions. This instruction provides the necessary context and control needed to obtain clusters that are more aligned with the users' intent. We propose a new text-guided clustering approach named ITGC that uses an iterative discovery process, guided by an unsupervised clustering objective, to generate interpretable visual concepts that better capture the criteria expressed in a user's instructions. We report superior performance compared to existing methods across a wide variety of image clustering and fine-grained classification benchmarks.
• Abstract（参考訳）: 従来のクラスタリング手法は、互いに類似性に基づいてラベルなしのデータポイントをグループ化することを目的としている。 しかし、クラスタリングは追加情報がないため、データセットを分割する多くの異なる、しかし等しく有効な方法が存在する可能性があるため、不適切な問題である。 特定のユーザーは異なる基準を使って同じデータにクラスタを作りたいかもしれない。 最近導入されたテキスト誘導画像クラスタリング手法は、ユーザーが自然言語命令を使って関心の基準を指定できるようにすることにより、この曖昧さに対処することを目的としている。 この命令は、ユーザの意図に合わせたクラスタを取得するために必要なコンテキストと制御を提供する。 教師なしクラスタリングの目的によって導かれる反復的発見プロセスを用いて,ユーザの指示に表される基準をよりよく捉えた解釈可能な視覚概念を生成する,ITGCという新たなテキスト誘導クラスタリング手法を提案する。 画像クラスタリングやきめ細かい分類ベンチマークにおいて,既存の手法と比較して優れた性能を示す。

関連論文リスト

• Personalized Clustering via Targeted Representation Learning [12.685373069492448]
  クラスタリングは伝統的に、ラベルのないデータ内の自然なグループ構造を明らかにすることを目的としています。 ターゲット表現学習を明示的に行うパーソナライズされたクラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-12-18T10:28:51Z)
• Organizing Unstructured Image Collections using Natural Language [37.16101036513514]
  大規模で非構造化画像コレクションからクラスタリング基準を自動的に検出することを目的としたOpen-ended Semantic Multiple Clustering (OpenSMC) の課題を紹介する。 当社のフレームワークであるX-Cluster: eXploratory Clusteringは、テキストを推論プロキシとして扱い、画像を基準毎に意味のあるクラスタにグループ化する。 X-Clusterは意味のあるパーティションを効果的に公開し、バイアス発見やソーシャルメディア画像人気分析などの下流アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-10-07T17:21:46Z)
• Text-Guided Alternative Image Clustering [11.103514372355088]
  この研究は、代替画像クラスタリングを容易にするために、大きな視覚言語モデルの可能性を探るものである。 本稿では,ユーザの興味をプロンプトを通じて活用する新たなアプローチとして,テキストガイドによる代替イメージコンセンサスクラスタリング(TGAICC)を提案する。 TGAICCは、4つの代替イメージクラスタリングベンチマークデータセットで画像とテキストベースのベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-06-07T08:37:57Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• A Proposition-Level Clustering Approach for Multi-Document Summarization [82.4616498914049]
  クラスタリングアプローチを再検討し、より正確な情報アライメントの提案をグループ化します。 提案手法は,有意な命題を検出し,それらをパラフラスティックなクラスタに分類し,その命題を融合して各クラスタの代表文を生成する。 DUC 2004 とTAC 2011 データセットでは,従来の最先端 MDS 法よりも要約法が優れている。
  論文  参考訳（メタデータ） (2021-12-16T10:34:22Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• 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)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。