SPICE：基于语义伪标记的图像聚类
计算机视觉与模式识别
2022-11-23 v3 人工智能
摘要
样本间的相似性与簇间的差异是图像聚类的两个关键方面。然而，当前的深度聚类方法在特征相似性或语义差异的估计上不够准确。本文提出一种基于语义伪标记的图像聚类（SPICE）框架，将聚类网络划分为用于度量实例级相似性的特征模型与用于识别簇级差异的聚类头。我们设计了两种语义感知的伪标记算法——原型伪标记与可靠伪标记，以实现准确可靠的聚类自监督。在不使用任何真实标签的情况下，我们分三阶段优化聚类网络：1）通过对比学习训练特征模型以度量实例相似性；2）使用原型伪标记算法训练聚类头以识别簇语义；3）使用可靠伪标记算法联合训练特征模型与聚类头以提升聚类性能。大量实验结果表明，SPICE相较现有方法取得显著改进（约10%），并在六个图像基准数据集上以三种常用指标确立了新的SOTA聚类结果。重要的是，SPICE显著缩小了无监督与全监督分类之间的差距；例如，在CIFAR-10上准确率差异仅为2%（91.8% 对比 93.8%）。我们的代码已公开于 https://github.com/niuchuangnn/SPICE。
引用
@article{arxiv.2103.09382,
title = {SPICE: Semantic Pseudo-labeling for Image Clustering},
author = {Chuang Niu and Hongming Shan and Ge Wang},
journal= {arXiv preprint arXiv:2103.09382},
year = {2022}
}