写点什么

使用监督学习训练图像聚类模型

作者:qife
  • 2025-07-28
    福建
  • 本文字数:497 字

    阅读完需:约 2 分钟

基于监督学习的图像聚类新范式

传统机器学习模型依赖标注数据进行监督学习,而获取标注数据成本高昂。无监督学习的主要方法是聚类,即根据显著特征将数据点分组。传统聚类算法依赖启发式规则(如聚类中心距离阈值或分布形态)确定边界。在 ICCV 2021 发表的论文中,我们提出从数据中学习边界划分的方法。

技术架构

  1. 图表示构建

  2. 使用元训练数据训练监督分类器(编码器-解码器结构)

  3. 仅保留编码器将图像转换为特征向量

  4. 基于特征空间构建 k 近邻图,节点代表图像

  5. 层次化图神经网络(Hi-LANDER)

  6. 基础模型 LANDER(链接近似与密度估计优化):

  7. 通过 GNN 生成节点嵌入

  8. 联合预测节点链接(同类别连接)和局部数据密度

  9. 层次化处理:

  10. 首轮聚类后将簇聚合为超节点

  11. 迭代执行近邻连接和 GNN 处理直至无新边产生

核心创新

  • 双目标联合训练:首次在单一模型中同时优化链接预测和密度预测任务

  • 全图处理机制:突破传统子图划分限制,实现全局信息流动

  • 元训练迁移:在测试集类别与训练数据零重叠(0%)或极低重叠(<2%)时仍保持优异表现

实验成果


当前研究正探索构建通用聚类模型,以实现在人脸、动物物种等不同数据类型间的迁移聚类能力。


更多精彩内容 请关注我的个人公众号 公众号(办公 AI 智能小助手)公众号二维码


办公AI智能小助手


用户头像

qife

关注

还未添加个人签名 2021-05-19 加入

还未添加个人简介

评论

发布
暂无评论
使用监督学习训练图像聚类模型_监督学习_qife_InfoQ写作社区