Unüberwachtes Deep Learning durch Nachbarschaftsentdeckung

Tiefe konvolutionale neuronale Netze (CNNs) haben bemerkenswerte Erfolge in der Computer Vision gezeigt, indem sie stark visuelle Merkmalsrepräsentationen unter Aufsicht lernten. Allerdings ist das Training von CNNs stark von der Verfügbarkeit umfangreicher Datensatzbeschriftungen abhängig, was ihre Anwendung und Skalierbarkeit in vielen Anwendungsszenarien erheblich einschränkt. In dieser Arbeit führen wir einen generischen unüberwachten Ansatz für das Training tiefen Modelle ein, der keine manuelle Labelüberwachung erfordert. Genauer gesagt entdecken wir schrittweise Beispiele, die verankerte/zentrale Nachbarschaften bilden, um die zugrunde liegenden Klassengrenzen iterativ und kumulativ zu analysieren und zu lernen. Jede einzelne Nachbarschaft wird speziell formuliert, sodass alle Mitgliedsproben mit hoher Wahrscheinlichkeit die gleichen unsichtbaren Klassenbeschriftungen teilen können, um die Extraktion klassen diskriminierender Merkmalsrepräsentationen während des Trainings zu erleichtern. Experimente zur Bildklassifizierung zeigen die Leistungs Vorteile der vorgeschlagenen Methode gegenüber den aktuellen unüberwachten Lernmodellen auf sechs Benchmarks, einschließlich sowohl grober als auch feiner objektbildkategorisierungen.