![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像聚类
文章平均质量分 89
起个名太难了
这个作者很懒,什么都没留下…
展开
-
无监督域适应的跨域梯度差异最小化
摘要 带有两个不同分类器(双分类器)的对抗域适应引入UDA,在对齐不同域间分布时很有效。之前的双分类器对抗学习方法仅关注于两个不同分类器输出之间的相似度,但输出的相似性不能保证目标样本的准确率,即即使两个分类器间差异很小目标样本可能也会匹配到错误的类别。 本文提出CGDM来直接最小化源域样本和目标样本生成的梯度之间的差异。特别地,梯度指示了目标样本的语义信息因此可以作为一个好的监督来提升目标样本的准确率。为了计算目标样本的梯度信号,进一步通过基于聚簇的自监督学习来得到目标伪标签。 3 方法 首先UDA和双分原创 2021-07-26 09:56:12 · 544 阅读 · 0 评论 -
用鲁棒学习提升无监督图像聚类
摘要 无监督图像聚类方法通常引入替代目标来间接训练模型,并会受错误预测和过自信结果的影响。为克服这些挑战,当前研究提出一个新颖的模型RUC,受鲁棒学习的启发。RUC的新颖性是在用现有图像聚类方法的伪标签时作为一个可能包含错分类样本的有噪数据集。它的重训练过程可以修改错误对齐的知识,并减轻预测中的过自信问题。这个模型的灵活结构使他可以用作好的聚类方法的一个附加模块,并帮助他们在多数据集上有更好效果。大量实验证明提出的模型可用更好的校准来调整模型置信度,并获得对抗噪声的鲁棒性。 1. 引言 无监督聚类,旨在辨别原创 2021-05-14 10:17:47 · 1125 阅读 · 0 评论