عنوان: کاوش در یادگیری بازنمایی غیر متضاد برای خوشه بندی عمیق
روشهای خوشهبندی عمیق موجود برای یادگیری بازنمایی به یادگیری متضاد متکی هستند، که به مثالهای منفی نیاز دارد تا فضای تعبیهشدهای را تشکیل دهد که در آن همه نمونهها به خوبی از هم جدا شده باشند. با این حال، مثالهای منفی ناگزیر به موضوع برخورد کلاسی منجر میشوند و یادگیری بازنمایی برای خوشهبندی را به خطر میاندازند. در این مقاله، یادگیری بازنمایی غیر متضاد را برای خوشهبندی عمیق، که NCC نامیده میشود، بررسی میکنیم که بر اساس BYOL، یک روش نماینده بدون مثالهای منفی است. ابتدا، ما پیشنهاد میکنیم که یک نمای تقویتشده از نمونه را با همسایگان نمای دیگری در فضای تعبیهشده، که استراتژی نمونهگیری مثبت نامیده میشود، تراز کنیم، که از مسئله برخورد طبقاتی ناشی از مثالهای منفی جلوگیری میکند و در نتیجه فشردگی درون خوشهای را بهبود میبخشد. دوم، ما پیشنهاد میکنیم که همترازی بین دو نمای تقویتشده یک نمونه اولیه و یکنواختی در بین همه نمونههای اولیه، به نام از دست دادن تضاد نمونه اولیه یا ProtoCL، تشویق شود، که میتواند فاصله بین خوشهای را به حداکثر برساند. علاوه بر این، ما NCC را در یک چارچوب انتظار-بیشینهسازی (EM) فرموله میکنیم، که در آن E-step از k-means کروی برای تخمین شبه برچسبهای نمونهها و توزیع نمونههای اولیه از یک شبکه هدف استفاده میکند و M-step از تلفات پیشنهادی استفاده میکند. بهینه سازی یک شبکه آنلاین در نتیجه، NCC یک فضای جاسازی را تشکیل میدهد که در آن همه خوشهها به خوبی از هم جدا شدهاند و نمونههای درون خوشهای فشرده هستند. نتایج تجربی بر روی چندین مجموعه داده معیار خوشهبندی از جمله ImageNet-1K نشان میدهد که NCC با اختلاف قابل توجهی از روشهای پیشرفته بهتر عمل میکند.
هدف این مخزن ارائه برخی چارچوبهای یادگیری مبتنی بر خود نظارتی برای خوشهبندی تصویر عمیق بر اساس PyTorch از جمله اجرای رسمی NCC است.
شبه کد
چارچوب EM
تابع ضرر
نتایج اصلی
این پروژه شامل فایل اصلی مقاله (2021) و فایل کدنویسی Pytorch می باشد.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.