論文の概要: TDEC: Deep Embedded Image Clustering with Transformer and Distribution Information
- arxiv url: http://arxiv.org/abs/2603.26746v1
- Date: Mon, 23 Mar 2026 08:46:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.566083
- Title: TDEC: Deep Embedded Image Clustering with Transformer and Distribution Information
- Title（参考訳）: TDEC: 変圧器と配電情報を用いた深層埋め込み画像クラスタリング
- Abstract要約: 本稿では,TDECと呼ばれる深層画像クラスタリング手法を提案する。
TDECは、画像クラスタリングのための特徴表現、次元的嗜好、ロバストな割り当てを考える。
我々の手法は堅牢で、データサイズ、クラスタの数、コンテキストの複雑さをより柔軟にできます。
- 参考スコア（独自算出の注目度）: 10.865555707958057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image clustering is a crucial but challenging task in multimedia machine learning. Recently the combination of clustering with deep learning has achieved promising performance against conventional methods on high-dimensional image data. Unfortunately, existing deep clustering methods (DC) often ignore the importance of information fusion with a global perception field among different image regions on clustering images, especially complex ones. Additionally, the learned features are usually clustering-unfriendly in terms of dimensionality and are based only on simple distance information for the clustering. In this regard, we propose a deep embedded image clustering TDEC, which for the first time to our knowledge, jointly considers feature representation, dimensional preference, and robust assignment for image clustering. Specifically, we introduce the Transformer to form a novel module T-Encoder to learn discriminative features with global dependency while using the Dim-Reduction block to build a friendly low-dimensional space favoring clustering. Moreover, the distribution information of embedded features is considered in the clustering process to provide reliable supervised signals for joint training. Our method is robust and allows for more flexibility in data size, the number of clusters, and the context complexity. More importantly, the clustering performance of TDEC is much higher than recent competitors. Extensive experiments with state-of-the-art approaches on complex datasets show the superiority of TDEC.
- Abstract（参考訳）: 画像クラスタリングは、マルチメディア機械学習において不可欠だが難しい課題である。
近年,クラスタリングとディープラーニングの組み合わせは,高次元画像データにおける従来の手法に対して有望な性能を実現している。
残念ながら、既存のディープクラスタリング手法(DC)は、クラスタリング画像、特に複雑な画像上の異なる画像領域間のグローバルな認識領域との情報融合の重要性を無視することが多い。
さらに、学習した特徴は通常、次元の観点からはクラスタリングに不向きであり、クラスタリングのための単純な距離情報のみに基づいている。
本稿では,画像クラスタリングにおける特徴表現,次元的嗜好,ロバストな割り当てを共同で検討する,深層画像クラスタリングTDECを提案する。
具体的には,Transformerを導入し,クラスタリングに有利な低次元空間を構築するためにDim-reductionブロックを用いて,グローバル依存による識別的特徴を学習するモジュールTエンコーダを提案する。
さらに, クラスタリングプロセスにおいて, 組込み特徴の分布情報を考慮し, 協調訓練のための信頼性の高い教師付き信号を提供する。
我々の手法は堅牢で、データサイズ、クラスタの数、コンテキストの複雑さをより柔軟にできます。
さらに重要なのは、TDECのクラスタリング性能が、最近の競合他社よりもはるかに高いことです。
複雑なデータセットに対する最先端アプローチによる大規模な実験は、TDECの優位性を示している。
関連論文リスト
- Deep Image Clustering Based on Curriculum Learning and Density Information [10.865555707958057]
本稿では,密度情報を用いたモデル学習戦略を画像クラスタリングに導入する。
具体的には、入力データの密度情報に基づくカリキュラム学習方式を、より合理的な学習ペースで設計する。
ベンチマークデータセットにおける最先端クラスタリング手法との比較により,提案手法の優位性を示した。
論文 参考訳（メタデータ） (2026-03-31T02:54:21Z) - Deep Clustering with Associative Memories [28.46602918457589]
本稿では,新しい深層クラスタリング法であるDCAMを定式化するために,Associative Memoriesを用いたエネルギーベースダイナミクスを利用した新たな損失関数を提案する。
本実験では,DCAMの利点を実証し,各種アーキテクチャ選択のためのクラスタリング品質の向上を図った。
論文 参考訳（メタデータ） (2026-01-02T19:21:06Z) - Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
論文 参考訳（メタデータ） (2025-09-15T05:10:43Z) - 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) - Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。
ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。
グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
論文 参考訳（メタデータ） (2025-06-11T16:41:34Z) - Image Clustering with External Guidance [33.664812922814754]
クラスタリングのコアは、監視信号を構築するために、事前の知識を取り入れている。
本稿では,クラスタリングを誘導する新たな監視信号として外部知識を活用することを提案する。
論文 参考訳（メタデータ） (2023-10-18T14:20:55Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳（メタデータ） (2022-06-01T09:51:38Z) - 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) - Very Compact Clusters with Structural Regularization via Similarity and
Connectivity [3.779514860341336]
本稿では,汎用データセットのためのエンドツーエンドのディープクラスタリングアルゴリズムであるVery Compact Clusters (VCC)を提案する。
提案手法は,最先端のクラスタリング手法よりも優れたクラスタリング性能を実現する。
論文 参考訳（メタデータ） (2021-06-09T23:22:03Z) - Deep Transformation-Invariant Clustering [24.23117820167443]
抽象的な特徴に頼らず、画像変換の予測を学ぶアプローチを提案する。
この学習プロセスは、K平均とガウス混合モデルの勾配に基づく訓練に自然に適合する。
我々の新しいアプローチは、標準的な画像クラスタリングベンチマークにおいて、競争力があり、非常に有望な結果をもたらすことを実証する。
論文 参考訳（メタデータ） (2020-06-19T13:43:08Z)
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。