文献笔记 | Deep Clustering for Unsupervised Learning of Visual Features
发布时间
阅读量：
阅读量
目录
Abstract
Introduction
Method
总结
20250219-深度聚类之无监督的视觉特征学习-2018
Abstract
提出DeepCluster方法——联合学习神经网络的参数和所得特征的集群分配的端到端的聚类方法 ，将DeepCluter应用于ImageNet和YFCC100M等大型数据集上的卷积神经网络的无监督训练，最终都取得较好的结果。
Introduction
主要贡献 ：
- 一种新颖的无监督方法，用于端到端学习与任何标准聚类算法（如K-Means）一起使用的卷积网络，并且需要最少的其他步骤；
- 在无监督学习中使用的许多标准转移任务上的最先进的表现；
- 经过未经图像分布的训练时，表现高于先前的状态；
- 关于无监督特征学习中当前评估协议的讨论。
Method
主要步骤
使用k-means对特征进行聚类，生成伪标签 。
使用这些伪标签作为目标，来更新卷积神经网络的参数 。
上述两个步骤交替进行，直到收敛
（补充：
-
公式1的含义？
-
从图像中提取的特征向量的维度代表什么？
-
质心矩阵的行和列分别代表什么意思？
总结
- 本篇论文的创新点就是，将神经网络参数的学习和聚类分配相联合，形成一个端到端的聚类方法；
- 另外，从本文中学到图像经过神经网络提取到的特征向量，向量的每个维度代表从图像中提取到的不同特征，如颜色，纹理等，通过计算特征向量与每个聚类特征向量的距离，可以得到各个图像样本的伪标签。
全部评论 (0)
还没有任何评论哟~