文件名称：聚类分析
文件大小：2.5MB
文件格式：ZIP
更新时间：2024-03-07 05:18:33
Python
扫描：学习对不带标签的图像进行分类 此仓库包含本文的Pytorch实现： ， ， ，Marc Proesmans和Luc Van Gool。 在ECCV 2020（ ）上接受。 在上Yannic Kilcher对我们论文的解释。 :NEW_button: 结果：在网站上检查基准，以进行或。 内容 :NEW_button: 教程部分已添加，结帐 。 :NEW_button: 添加了“先行工作”部分，签出“ 。 介绍 缺少地面真实注解时，是否可以将图像自动分组为语义上有意义的簇？ 在计算机视觉中，无监督图像分类的任务仍然是重要且公开的挑战。 最近有几种方法试图以端到端的方式解决这个问题。 在本文中，我们偏离了最近的工作，并提倡一种将特征学习和聚类分离的两步方法。 就分类准确性而言，我们的表现远远优于最新技术，尤其是CIFAR10的+ 26.6％，CIFAR100-20的+ 25.0％和STL10的+ 21.3％。 我们的方法是第一个在I
【文件预览】：
clusteranalysis-master
----images()
--------pipeline.png(1.47MB)
--------teaser.jpg(874KB)
--------prototypes_cifar10.jpg(7KB)
--------tutorial()
----moco.py(4KB)
----requirements.txt(3KB)
----data()
--------stl.py(7KB)
--------augment.py(4KB)
--------cifar.py(8KB)
--------imagenet.py(3KB)
--------custom_dataset.py(3KB)
--------imagenet_subsets()
----eval.py(6KB)
----TUTORIAL.md(6KB)
----models()
--------resnet_cifar.py(5KB)
--------models.py(2KB)
--------resnet_stl.py(5KB)
--------resnet.py(346B)
----LICENSE(19KB)
----losses()
--------losses.py(5KB)
----utils()
--------collate.py(1KB)
--------train_utils.py(5KB)
--------utils.py(3KB)
--------config.py(2KB)
--------common_config.py(11KB)
--------ema.py(691B)
--------evaluate_utils.py(7KB)
--------mypath.py(847B)
--------memory.py(3KB)
----scan.py(6KB)
----README.md(13KB)
----configs()
--------selflabel()
--------env.yml(27B)
--------scan()
--------pretext()
----tutorial_nn.py(4KB)
----selflabel.py(5KB)
----simclr.py(6KB)
----logs()
--------scan_stl10.txt(100KB)