使用监督学习训练图像聚类模型

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

   • 使用元训练数据训练监督分类器（编码器-解码器结构）
   • 仅保留编码器将图像转换为特征向量
   • 基于特征空间构建k近邻图，节点代表图像

2. 层次化图神经网络（Hi-LANDER）

   • 基础模型LANDER（链接近似与密度估计优化）：
     • 通过GNN生成节点嵌入
     • 联合预测节点链接（同类别连接）和局部数据密度
   • 层次化处理：
     • 首轮聚类后将簇聚合为超节点
     • 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

对比模型	F-score提升幅度
传统GNN聚类方法	+49%
无监督学习方法	+47%

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