使用迁移相似度函数的深度图像类别发现
计算机视觉与模式识别
2016-12-06 v1 机器学习
摘要
在无标签自然图像中自动发现图像类别是无监督学习的重要目标之一。然而，该任务具有挑战性，甚至人类也是基于大量先验知识来定义视觉类别。在本文中，我们同样利用先验知识来促进图像类别的发现。我们提出了一种新颖的端到端网络，将无标签图像映射到类别，作为聚类网络。我们提出该网络可以使用仅基于弱二元成对约束的对比损失来学习。这些二元约束可以从其他领域的数据集中作为迁移相似度函数来学习，这模拟了一种简单的知识迁移。我们首先在 MNIST 数据集上评估我们的实验作为概念验证，基于在 Omniglot 上训练的预测相似度，显示出 99% 的准确率，显著优于基于聚类的方法。然后我们在 Cifar-10、STL-10 和 ImageNet 上评估发现性能，达到了 SOTA 的准确率，并表明它可以扩展到各种大型自然图像。
引用
@article{arxiv.1612.01253,
title = {Deep Image Category Discovery using a Transferred Similarity Function},
author = {Yen-Chang Hsu and Zhaoyang Lv and Zsolt Kira},
journal= {arXiv preprint arXiv:1612.01253},
year = {2016}
}
备注
13 pages, 9 figures