![在这里插入图片描述](https://img-blog.csdnimg.cn/20210705150242385.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L20wXzQ3MTgwMjA4,size_16,color_FFFFFF,t_70)
摘要
论文和代码
聚类是一类无监督的学习方法,这些方法已被广泛应用和研究计算机视觉。很少的工作以使其适应大规模数据集的视觉特征的端到端训练。在这项工作中,我们呈现DeepCluster,一种聚类方法,该方法共同学习神经网络的参数和结果特征的群集分配。 DeepCluster迭代地将具有标准聚类算法,kmeans的功能统一,并使用后续分配作为监控来更新网络权重。我们将DeepCluster应用于大型数据集的卷积神经网络的无监督培训。由此产生的模型优于所有标准基准的显着裕度,优于本领域的当前状态。
相关工作
- 无监督的特征学习
- 自监督的学习一种流行的无监督学习,称为“自我监督学习”[37],使用借口任务来替换人类通过从原始输入数据直接计算的“伪标签”注释的标签。
- 生成模型 最近,无监督的学习在图像生成方面取得了很大进展。通常,在预定义随机噪声和图像之间学习参数化映射,其中AutoEncoder [18,48,49,50,51]