分类 - 无监督
Image as Set of Points
Image as Set of Points

发表于ICLR2023,将图像视为一组无组织的点,并通过简化的聚类算法提取特征。具体地说,每个点都包括原始特征(如颜色)和位置信息(如坐标),并采用简化的聚类算法对深度特征进行分层分组和提取。

1
Deep Clustering for Unsupervised Learning of Visual Features
Deep Clustering for Unsupervised Learning of Visual Features

发表于CVPR2020,其提出了在线深度聚类的方法,即设计并维护了两个动态内存模块,即用于存储样本标签和特征的样本内存,以及用于质心进化的质心内存,将突然的全局聚类分解为稳定的内存更新和批量标签重新分配。

2
DivClust:Controlling Diversity in Deep Clustering
DivClust:Controlling Diversity in Deep Clustering

发表于CVPR2023,共识聚类是一种无监督的集成聚类方法,旨在通过多次重采样和聚类分析来评估聚类结果的稳定性,从而确定数据集中最优的聚类数目(k值)及其成员结构。该论文提出了DivClust,一种多样性控制损失,可以纳入现有的深度聚类框架,以产生具有所需多样性程度的多个聚类。

3
PiCIE:Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering
PiCIE:Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering

发表于CVPR2021,无监督语义分割,使用聚类伪标签和交叉熵损失,同时使用数据增强,利用增强不变性,提高模型泛化性,使模型不关注噪声。

4
Deep Adaptive Fuzzy Clustering for Evolutionary Unsupervised Representation Learning
Deep Adaptive Fuzzy Clustering for Evolutionary Unsupervised Representation Learning

发表于IEEE Transactions on Neural Networks and Learning Systems 2023,提出了DAFC来自动分组图像,得到的迭代优化问题可以通过小批量RMSprop和反向传播而不是SGD有效地解决,可以学习一个更聚类友好的瓶颈空间。

5
EAGLE:Eigen Aggregation Learning for Object-Centric Unsupervised Semantic Segmentation
EAGLE:Eigen Aggregation Learning for Object-Centric Unsupervised Semantic Segmentation

发表于CVPR2024。

6