稀疏噪声图像的表示学习与聚类双重进展
计算机视觉与模式识别
2024-09-17 v2
摘要
稀疏噪声图像 (SNIs)，如空间基因表达数据，对于有效的表示学习和聚类具有挑战，这些都是彻底数据分析和解释所必需的。针对这些挑战，我们提出一种称为 Dual Advancement of Representation Learning and Clustering (DARLC) 的创新框架，该框架利用对比学习来增强从掩码图像建模中获得的表示。同时，DARLC 将聚类分配集成到一个 cohesive、端到端的方法中。这种集成聚类策略解决了对比学习中固有的 class collision problem，从而提高了所得表示的质量。为了为对比学习生成更合理的 positive views，我们采用基于图注意力网络的技术作为增强数据生成去噪图像。因此，我们的框架提供了一种综合的方法，通过增强其 local perceptibility、distinctiveness 和关系语义理解来提高表示学习。此外，我们利用 Student's t 混合模型实现对 SNIs 更稳健、更可适应的聚类。广泛的实验在由 12 种不同类型的数据集组成的 SNIs 集合上进行，表明 DARLC 在图像聚类和生成能够准确捕获基因相互作用的图像表示方面均优于最先进的方法。代码可在 https://github.com/zipging/DARLC 获取。
引用
@article{arxiv.2409.01781,
title = {Dual Advancement of Representation Learning and Clustering for Sparse and Noisy Images},
author = {Wenlin Li and Yucheng Xu and Xiaoqing Zheng and Suoya Han and Jun Wang and Xiaobo Sun},
journal= {arXiv preprint arXiv:2409.01781},
year = {2024}
}