Fugu-MT 論文翻訳(概要): Unsupervised Image Classification with Adaptive Nearest Neighbor Selection and Cluster Ensembles

論文の概要: Unsupervised Image Classification with Adaptive Nearest Neighbor Selection and Cluster Ensembles

arxiv url: http://arxiv.org/abs/2511.16213v1
Date: Thu, 20 Nov 2025 10:34:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-21 17:08:52.571896
Title: Unsupervised Image Classification with Adaptive Nearest Neighbor Selection and Cluster Ensembles
Title（参考訳）: 適応的近傍選択とクラスタアンサンブルを用いた教師なし画像分類
Authors: Melih Baydar, Emre Akbas,
Abstract要約: 教師なし画像分類は、ラベルのない画像を意味のあるカテゴリに分類することを目的としている。 ICCEは、ImageNet上で70%を超える精度を持つ、教師なしのイメージ分類法である。 CIFAR10では99.3%、CIFAR100では89%、ImageNetデータセットでは70.4%である。
参考スコア（独自算出の注目度）: 9.338965648455238
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised image classification, or image clustering, aims to group unlabeled images into semantically meaningful categories. Early methods integrated representation learning and clustering within an iterative framework. However, the rise of foundational models have recently shifted focus solely to clustering, bypassing the representation learning step. In this work, we build upon a recent multi-head clustering approach by introducing adaptive nearest neighbor selection and cluster ensembling strategies to improve clustering performance. Our method, "Image Clustering through Cluster Ensembles" (ICCE), begins with a clustering stage, where we train multiple clustering heads on a frozen backbone, producing diverse image clusterings. We then employ a cluster ensembling technique to consolidate these potentially conflicting results into a unified consensus clustering. Finally, we train an image classifier using the consensus clustering result as pseudo-labels. ICCE achieves state-of-the-art performance on ten image classification benchmarks, achieving 99.3% accuracy on CIFAR10, 89% on CIFAR100, and 70.4% on ImageNet datasets, narrowing the performance gap with supervised methods. To the best of our knowledge, ICCE is the first fully unsupervised image classification method to exceed 70% accuracy on ImageNet.
Abstract（参考訳）: 教師なし画像分類(unsupervised image classification, イメージクラスタリング)は、ラベルなし画像を意味論的に意味のあるカテゴリに分類することを目的としている。初期の手法は表現学習とクラスタリングを反復的なフレームワークに統合した。しかし、基盤モデルの台頭は、最近、表現学習のステップをバイパスして、クラスタリングにのみ焦点を移した。本研究では, クラスタリング性能を向上させるために, 適応型近接クラスタ選択とクラスタアンサンブル戦略を導入することで, 最新のマルチヘッドクラスタリング手法を構築した。クラスタアンサンブルによるイメージクラスタリング(ICCE)は,凍結したバックボーン上で複数のクラスタリングヘッドをトレーニングし,多様なイメージクラスタリングを生成するクラスタリング段階から始まります。次に、競合する可能性のある結果を統一されたコンセンサスクラスタリングに統合するために、クラスタアンサンブル技術を使用します。最後に、コンセンサスクラスタリングの結果を擬似ラベルとして画像分類器を訓練する。 ICCEは、CIFAR10で99.3%、CIFAR100で89%、ImageNetデータセットで70.4%の精度を達成し、教師付き手法でパフォーマンスギャップを狭める。我々の知る限り、ICCEは、ImageNet上で70%を超える精度で、教師なしの画像分類法としては初めてである。

関連論文リスト

An Adaptor for Triggering Semi-Supervised Learning to Out-of-Box Serve Deep Image Clustering [52.15903983661315]
ASDは、SSL学習者のコールドスタートを前提条件にすることなく、ディープイメージクラスタリングを可能にするアダプタである。最新のディープ・イメージ・クラスタリング・アプローチに対して,各種ベンチマークにおけるASDの優れた性能を示す。
論文参考訳（メタデータ） (2025-09-25T10:21:01Z)
Self-Enhanced Image Clustering with Cross-Modal Semantic Consistency [57.961869351897384]
効率的な画像クラスタリングのためのクロスモーダルなセマンティック一貫性に基づくフレームワークを提案する。当社のフレームワークはまず,クロスモーダルセマンティック一貫性を通じて,強力な基盤を構築します。最初の段階では、トレーニング済みモデルのリッチなセマンティクスに合わせて、軽量クラスタリングヘッドをトレーニングします。第2段階では、自己強化微調整戦略を導入する。
論文参考訳（メタデータ） (2025-08-02T08:12:57Z)
Utilization of Neighbor Information for Image Classification with Different Levels of Supervision [38.350123625613804]
本稿では,GCD (Generalized category discovery) と画像クラスタリングの両方に有効であるフレキシブルな手法を提案する。本手法は,クラスタリング(+3% ImageNet-100, Imagenet200)とGCD(+0.8% ImageNet-100, +5% CUB, +2% SCars, +4% Aircraft)の両方に対して,最先端の結果が得られる。
論文参考訳（メタデータ） (2025-03-18T17:59:41Z)
Image Clustering Algorithm Based on Self-Supervised Pretrained Models and Latent Feature Distribution Optimization [4.39139858370436]
本稿では,自己教師付き事前学習モデルと潜在特徴分布最適化に基づく画像クラスタリングアルゴリズムを提案する。我々の手法は最新のクラスタリングアルゴリズムより優れ、最先端のクラスタリング結果が得られる。
論文参考訳（メタデータ） (2024-08-04T04:08:21Z)
Rethinking cluster-conditioned diffusion models for label-free image synthesis [1.4624458429745086]
拡散に基づく画像生成モデルは、地上の真理ラベルに条件付けされた場合の画質を向上させることができる。クラスタ数やクラスタリング手法など,個々のクラスタリング決定要因が画像合成に与える影響について検討する。
論文参考訳（メタデータ） (2024-03-01T14:47:46Z)
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)
DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文参考訳（メタデータ） (2022-12-12T12:31:46Z)
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)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
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)

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。