利用多个预训练 CNN 特征提取器改进图像聚类
计算机视觉与模式识别
2018-07-23 v1
摘要
对于许多图像聚类问题，用预训练卷积神经网络（CNN）提取的特征替换原始图像数据可带来更好的聚类性能。然而，所提取的具体特征以及由此延伸所选的 CNN 架构，会对聚类结果产生重大影响。实践中，由于无监督学习问题无法使用交叉验证，这一关键设计选择常任意决定。但不同预训练 CNN 架构中包含的信息可能是互补的，即便在同一数据上预训练也是如此。为改进聚类性能，我们将图像聚类问题重新表述为多视图聚类（MVC）问题，将多个不同预训练特征提取器视为同一数据的不同“视图”。随后我们提出一种多输入神经网络架构，端到端训练以有效解决 MVC 问题。我们在三个不同自然图像数据集上的实验结果表明：1. 联合使用多个预训练 CNN 作为特征提取器可改进图像聚类；2. 使用端到端方法可改进 MVC；3. 二者结合可为图像聚类问题带来最先进（SOTA）结果。
引用
@article{arxiv.1807.07760,
title = {Improving Image Clustering With Multiple Pretrained CNN Feature Extractors},
author = {Joris Guérin and Byron Boots},
journal= {arXiv preprint arXiv:1807.07760},
year = {2018}
}
备注
13 pages, 3 figures, 4 tables. Poster presentation at BMVC 2018 (29.9% acceptance)