基于邻域发现的无监督深度学习
计算机视觉与模式识别
2019-05-31 v3
摘要
深度卷积神经网络(CNNs)通过有监督地学习强大的视觉特征表示,在计算机视觉中取得了显著成功。然而,CNNs的训练严重依赖于大量训练数据标注的可用性,这在许多应用场景中极大地限制了其部署与可扩展性。在本工作中,我们提出了一种通用的无监督深度学习方法,可在无需任何人工标签监督的情况下训练深度模型。具体而言,我们逐步发现以样本为锚点/中心的邻域,以迭代且累积的方式推理并学习潜在的类别决策边界。每个邻域都被特殊构造,使得所有成员样本极有可能共享相同的未见类别标签,从而有助于在训练过程中提取类别判别性特征表示。在图像分类上的实验表明,所提方法在包括粗粒度与细粒度物体图像分类在内的六个基准上优于最先进的(state-of-the-art)无监督学习模型。
引用
@article{arxiv.1904.11567,
title = {Unsupervised Deep Learning by Neighbourhood Discovery},
author = {Jiabo Huang and Qi Dong and Shaogang Gong and Xiatian Zhu},
journal= {arXiv preprint arXiv:1904.11567},
year = {2019}
}
备注
36th International Conference on Machine Learning (ICML'19). Code is available at https://github.com/Raymond-sci/AND