Weyoung_的博客

Abstract我们的模型由两个部分组成：1)a collection of autoencoders,每个都会学习相似数据的潜在manifold，2)a mixture neural network,接受来自autoencoders的concatenated vectors，推断在聚类上的分布。通过同时优化这两个部分，我们可以同时将数据分配给聚类，学习每个聚类的潜在流形。1 Introduc...

International Conference on Neural Information Processing - 2017Code：https://github.com/XifengGuo/DCEC1 Introduction给定无标注图像，如何将其分成K个潜在的空间？传统算法：1)首先根据领域特定的知识提取feature vectors 2)对提取出的feature vectors应...

《基于卷积神经网络的大规模人脸聚类》-申小敏使用上图的CNN结构，在LFW人脸数据库上进行训练，得到一个经过预训练的CNN网络。使用预训练的CNN网络提取人脸特征，提取出的特征用于K-means聚类得出最后的聚类结果。评价指标：Rand Index聚类评价，F1-measure聚类评价。 《Learning Feature Representations with K-me...

   1.Introduction     本文引入了一个novel deep neural network来无监督地学习非线性mapping，它也适用于子空间聚类。本文的deep subspace clustering networks(DSC-Nets)是建立在深度自编码器上的，它将data point通过一系列encoder layers非线性地映射到一个潜在的子空间。本文的key cont...

I introduction本文工作：我们开发了一个简单有效的方法，叫做LRR，在一些类似于行为分割，图像聚类，人脸识别，显著检验的应用上可以实现state-of-the-art的性能。我们的工作从一个子空间恢复干扰数据延伸到了多个子空间。相比于文献【20】需要已知子空间的基才能处理corrupted data的方法，我们的方法具有自主性，i.e.不需要附加的clean dataII Relate...