无监督指派流：基于空间正则化几何指派在特征流形上的标签学习
机器学习
2019-12-17 v3 计算机视觉与模式识别
最优化与控制
摘要
本文引入无监督指派流，将用于监督图像标注的指派流与特征流形上标签演化的黎曼梯度流相耦合。该方法的后一组成部分包含了将最先进的聚类方法推广到流形值数据。将标签演化与空间正则化指派流耦合会产生稀疏化效应，使得能够以无监督方式学习紧凑的标签字典。我们的方法缓解了监督标注需具备合适标签的要求，因为初始标签集可以在被指派给给定数据的同时演化并适应到更优的值。特征流形与指派流形之间的分离带来了灵活的应用，文中针对三种具有流形值特征的情形进行了演示。实验表明两个方向均有裨益：标签的自适应性改善了图像标注，而通过空间正则化指派来引导标签演化可得到合适的标签，因为用于监督标注的指派流被精确地用于标签学习而没有任何近似。
引用
@article{arxiv.1904.10863,
title = {Unsupervised Assignment Flow: Label Learning on Feature Manifolds by Spatially Regularized Geometric Assignment},
author = {Artjom Zern and Matthias Zisler and Stefania Petra and Christoph Schnörr},
journal= {arXiv preprint arXiv:1904.10863},
year = {2019}
}
备注
34 pages, 13 figures, published in Journal of Mathematical Imaging and Vision (JMIV)