Kernekoncepter
提案手法は、平均シフトアルゴリズムを対照的な学習フレームワークに組み込むことで、画像クラスタリングの性能を向上させる。
Resumé
本論文は、一般的なカテゴリー発見(GCD)問題に取り組む。GCDは、一部のデータにのみラベルが付けられた画像集合を分割することを目的とする。
提案手法は以下の手順で構成される:
事前学習された画像エンコーダから得られる初期埋め込みに対して、k近傍の平均シフトを適用して、平均シフト埋め込みを生成する。
平均シフト埋め込みを用いた対照的な学習により、エンコーダを更新する。これにより、同一画像の平均シフト埋め込みは近づき、異なる画像の平均シフト埋め込みは離れるように学習される。
訓練中に凝集型クラスタリングを用いて、クラスタ数Kを推定する。
最終的な推論時には、学習済みエンコーダに対して複数ステップの平均シフトを適用し、推定されたKでクラスタリングを行う。
提案手法は、既存手法と比較して、6つの公開GCDベンチマークで最先端の性能を達成する。特に、クラスタ数Kが事前に分からない場合でも、高い性能を示す。
Statistik
画像集合Dは、一部ラベル付きのDLと完全にラベル無しのDULから構成される。
既知クラスYKNとは別に、未知クラスYUKNが存在する。
検証セットDVには、既知ラベル付きと未知ラベル無しの画像が含まれる。
Citater
"平均シフトアルゴリズムは、パラメータを必要とせず、クラスタ数を事前に知る必要がない、強力な手法である。"
"提案手法は、平均シフトを対照的な学習フレームワークに組み込むことで、画像エンコーダの表現学習を改善する。"