Image Clustering using Restricted Boltzman Machine

要約

さまざまな検証システムにおいて、制限付きボルツマン マシン (RBM) はフロントエンド プロセスとバックエンド プロセスの両方でその有効性を実証しています。
この研究では、画像クラスタリング タスクへの RBM の使用を提案します。
RBM は、画像を画像埋め込みに変換するようにトレーニングされています。
従来のボトムアップ凝集階層クラスタリング (AHC) 手法を採用しています。
テスト顔画像データが限られているという課題に対処するために、制限付きボルツマン マシン (AHC-RBM) を使用した画像クラスタリングに基づく集合的階層クラスタリング メソッドを 2 つの主要な手順で導入します。
最初に、利用可能なすべてのトレーニング データセットを使用してユニバーサル RBM モデルがトレーニングされます。
続いて、各テスト画像からのデータを使用して、適応された RBM モデルをトレーニングします。
最後に、埋め込みベクトルである RBM ベクトルは、これらの適応モデルの可視から非表示への重み行列とバイアス ベクトルを連結することによって生成されます。
これらのベクトルはクラス固有の情報を効果的に保存し、画像クラスタリング タスクで利用されます。
2 つのベンチマーク画像データセット (MS-Celeb-1M と DeepFashion) に対して実施された実験結果は、私たちが提案したアプローチが、K 平均法、スペクトル クラスタリング、近似ランク次数などのよく知られたクラスタリング アルゴリズムを上回ることを示しています。

要約(オリジナル)

In various verification systems, Restricted Boltzmann Machines (RBMs) have demonstrated their efficacy in both front-end and back-end processes. In this work, we propose the use of RBMs to the image clustering tasks. RBMs are trained to convert images into image embeddings. We employ the conventional bottom-up Agglomerative Hierarchical Clustering (AHC) technique. To address the challenge of limited test face image data, we introduce Agglomerative Hierarchical Clustering based Method for Image Clustering using Restricted Boltzmann Machine (AHC-RBM) with two major steps. Initially, a universal RBM model is trained using all available training dataset. Subsequently, we train an adapted RBM model using the data from each test image. Finally, RBM vectors which is the embedding vector is generated by concatenating the visible-to-hidden weight matrices of these adapted models, and the bias vectors. These vectors effectively preserve class-specific information and are utilized in image clustering tasks. Our experimental results, conducted on two benchmark image datasets (MS-Celeb-1M and DeepFashion), demonstrate that our proposed approach surpasses well-known clustering algorithms such as k-means, spectral clustering, and approximate Rank-order.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google