深度表示与图像聚类的联合无监督学习
计算机视觉与模式识别
2016-06-21 v3 机器学习
摘要
本文中，我们提出一种用于深度表示和图像聚类联合无监督学习（JULE）的递归框架。在我们的框架中，聚类算法中的连续操作被表示为递归过程中的步骤，堆叠在卷积神经网络（CNN）输出的表示之上。在训练期间，图像聚类和表示被联合更新：图像聚类在前向传播中执行，而表示学习在反向传播中执行。我们这一框架背后的关键思想是，好的表示有益于图像聚类，而聚类结果为表示学习提供监督信号。通过将两个过程集成到具有统一加权三元组损失的单一模型并端到端优化，我们不仅能获得更强大的表示，还能获得更精确的图像聚类。大量实验表明，我们的方法在各种图像数据集上的图像聚类优于最先进水平。此外，学习到的表示迁移到其他任务时泛化良好。
引用
@article{arxiv.1604.03628,
title = {Joint Unsupervised Learning of Deep Representations and Image Clusters},
author = {Jianwei Yang and Devi Parikh and Dhruv Batra},
journal= {arXiv preprint arXiv:1604.03628},
year = {2016}
}
备注
19 pages, 11 figures, 14 tables, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)