基于成对约束的聚类驱动深度嵌入
计算机视觉与模式识别
2018-10-22 v5
摘要
近年来，利用神经网络能力分析数据的兴趣日益增长。特别是，已经提出了采用深度嵌入的新聚类方法。在本文中，我们偏离基于质心的模型，提出了一种新框架，称为基于成对约束的聚类驱动深度嵌入(CPAC)，用于使用神经网络进行非参数聚类。我们提出了一种基于孪生网络的聚类驱动嵌入，鼓励数据点对在潜在空间中输出相似表示。我们的基于对的模型允许用标记对增强信息，构成半监督框架。我们的方法基于分析与每个对相关的损失来细化约束集。我们表明，即使使用有限数量的用户查询，使用该方案也能提高聚类性能。我们展示了我们的架构如何适应各种类型的数据，并提出了第一个用于聚类3D形状的深度框架。
引用
@article{arxiv.1803.08457,
title = {Clustering-driven Deep Embedding with Pairwise Constraints},
author = {Sharon Fogel and Hadar Averbuch-Elor and Jacov Goldberger and Daniel Cohen-Or},
journal= {arXiv preprint arXiv:1803.08457},
year = {2018}
}