Deep Clustering for Unsupervised Learning of Visual Features

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]