Unsupervised Image Classification for Deep Representation Learning 论文链接：https://arxiv.org/abs/2006.11480

性能优于Self-labelling、DeepCluter等方法，并支持下游任务，如多标签图像分类，目标检测，语义分割和few-shot图像分类等，论文已提交至ECCV 2020，作者团队：海康威视&华南理工大学

与自监督学习相反的Deep clustering是无监督视觉表征学习的一个非常重要且有希望的方向，因为它只需要很少的领域知识即可设计pretext任务。但是，由于其必须保存整个数据集的全局潜在嵌入，因此嵌入聚类的关键组件将其扩展范围限制在超大规模数据集上。在这项工作中，我们旨在使该框架更加简单和优雅，而不会降低性能。我们提出了一种不使用嵌入聚类的无监督图像分类框架，这与标准的有监督训练方式非常相似。对于详细的解释，我们进一步分析其与深度聚类和对比学习的关系。已经对ImageNet数据集进行了广泛的实验以证明我们方法的有效性。此外，关于迁移学习基准的实验已经证明了其对其他下游任务的通用性，包括多标签图像分类，目标检测，语义分割和few-shot图像分类。

内容中包含的图片若涉及版权问题，请及时与我们联系删除