首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    [IEEE | 论文简读] 深度自适应图像聚类

    图像聚类是机器学习和计算机视觉中的一项关键但具有挑战性的任务。现有的方法往往忽略了特征学习和聚类之间的结合。为了解决这一问题,作者提出了深度自适应聚类(DAC),该方法将聚类问题重新定义为一个二分类框架,以判断图像对是否属于同一类别。在DAC中,相似度计算由深度卷积网络(ConvNet)的特征和图像的标签构建余弦距离。通过在DAC中引入一个约束条件,学习到的标签特征往往是可以更好应用在图像聚类。主要的挑战是图像聚类中真实标签是未知的。我们通过提出一个交替迭代自适应学习算法来解决这个问题。总之,图像是根据标签特征自动聚类的。实验结果表明,DAC在5个当前的数据集上取得了最好的结果,如在MNIST上达到97.75%,在CIFAR-10上达到52.18%,在STL-10上达到46.99%。

    02

    [ICCV | 论文简读] 深度自适应图像聚类

    图像聚类是机器学习和计算机视觉中的一项关键但具有挑战性的任务。现有的方法往往忽略了特征学习和聚类之间的结合。为了解决这一问题,作者提出了深度自适应聚类(DAC),该方法将聚类问题重新定义为一个二分类框架,以判断图像对是否属于同一类别。在DAC中,相似度计算由深度卷积网络(ConvNet)的特征和图像的标签构建余弦距离。通过在DAC中引入一个约束条件,学习到的标签特征往往是可以更好应用在图像聚类。主要的挑战是图像聚类中真实标签是未知的。我们通过提出一个交替迭代自适应学习算法来解决这个问题。总之,图像是根据标签特征自动聚类的。实验结果表明,DAC在5个当前的数据集上取得了最好的结果,如在MNIST上达到97.75%,在CIFAR-10上达到52.18%,在STL-10上达到46.99%。

    01

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭
      领券