基于生成对抗网络的对比细粒度类别聚类
计算机视觉与模式识别
2022-03-15 v3
摘要
无监督细粒度类别聚类是一项实用却具挑战性的任务,其难点在于对细微物体细节的特征表示学习。我们提出 C3-GAN,一种利用 InfoGAN 的类别推断能力与对比学习的方法。我们的目标是学习特征表示,使数据集在嵌入空间中形成清晰的聚类边界,同时最大化潜码与其图像观测之间的互信息。我们的方法是训练一个判别器(也用于推断聚类)以优化对比损失,其中最大化互信息的图像-潜码对被视为正样本对,其余为负样本对。具体而言,我们将从类别分布中采样生成的生成器输入映射到判别器的嵌入空间,并使其充当聚类中心。以此方式,C3-GAN 成功学习了聚类友好的嵌入空间,其中每个聚类均可清晰分离。实验结果表明,C3-GAN 在四个细粒度图像数据集上取得了最先进的聚类性能,同时缓解了模式崩溃现象。代码见 https://github.com/naver-ai/c3-gan。
引用
@article{arxiv.2112.14971,
title = {Contrastive Fine-grained Class Clustering via Generative Adversarial Networks},
author = {Yunji Kim and Jung-Woo Ha},
journal= {arXiv preprint arXiv:2112.14971},
year = {2022}
}
备注
ICLR 2022