自监督卷积子空间聚类网络
计算机视觉与模式识别
2019-05-02 v1
摘要
基于数据自表达的子空间聚类方法因善于处理位于低维线性子空间并集中的数据而广受欢迎。然而，子空间聚类的适用性受限，因为原始形式的实际视觉数据未必位于此类线性子空间中。另一方面，虽已证明卷积神经网络（ConvNet）是从视觉数据提取判别性特征的强力工具，但训练此类 ConvNet 通常需要大量标注数据，而子空间聚类应用中并无此类数据。为同时实现特征学习与子空间聚类，我们提出一种端到端可训练框架，称为自监督卷积子空间聚类网络（SConvSCN），其将 ConvNet 模块（用于特征学习）、自表达模块（用于子空间聚类）与谱聚类模块（用于自监督）组合进联合优化框架。特别地，我们引入双重自监督，利用谱聚类输出监督特征学习模块（经由分类损失）与自表达模块（经由谱聚类损失）的训练。我们在四个基准数据集上的实验显示了双重自监督的有效性，并证明了我们所提方法的优越性能。
引用
@article{arxiv.1905.00149,
title = {Self-Supervised Convolutional Subspace Clustering Network},
author = {Junjian Zhang and Chun-Guang Li and Chong You and Xianbiao Qi and Honggang Zhang and Jun Guo and Zhouchen Lin},
journal= {arXiv preprint arXiv:1905.00149},
year = {2019}
}
备注
10 pages, 2 figures, and 5 tables. This paper has been accepted by CVPR2019