本文要解決的問題是人臉聚類，這類任務(wù)的目的是將一批無標(biāo)記的人臉通過聚類使得自同一個人的人臉聚在一起。作者將這個問題轉(zhuǎn)換為鏈路預(yù)測的問題，當(dāng)兩個人臉屬于同一個人時，那么他們之間存在一條邊。作者發(fā)現(xiàn)特征空間中某個人臉的上下文，即局部信息是非常重要的，因此提出通過GCN來學(xué)習(xí)，通過GCN來預(yù)測兩個人臉之間是否存在連接的可能性。

引言

人臉聚類在人臉分析中是一類基礎(chǔ)任務(wù)，它的應(yīng)用場景包括相冊整理，大規(guī)模的圖像或者視頻的快速檢索，自動數(shù)據(jù)標(biāo)注或者清洗等。

傳統(tǒng)的方法通常對數(shù)據(jù)的分布有嚴(yán)苛的假設(shè)，通常受限于人臉表征的復(fù)雜分布。比如，K-Means需要類簇是凸的，譜聚類需要不同類簇的樣本數(shù)是均衡的，DBSCAN假設(shè)所有類簇的密度是同密度的。而基于鏈接關(guān)系的聚類通常對數(shù)據(jù)分布沒有要求，這類方法有4類方法，如下圖所示。圖(a)表示將人臉聚類的問題轉(zhuǎn)換為聯(lián)系預(yù)測問題，圖(b)代表的是一類很直觀地方法，直接基于特征空間中實(shí)例之間的 距離設(shè)定某個閾值，這類方法顯然不是一種合適的方式，因?yàn)轭惔氐牟町惙浅４?#xff0c;因此更復(fù)雜的度量提出來計(jì)算聯(lián)系的似然概率，圖(c)是這類方法的一個代表AROD(Approximate Rank-Order Distance)，這是類啟發(fā)式的計(jì)算方法。

本文不同于上述方法，提出通過學(xué)習(xí)來預(yù)測兩個節(jié)點(diǎn)是否應(yīng)該有聯(lián)系。提出這個方法的一個動機(jī)是作者發(fā)現(xiàn)一個節(jié)點(diǎn)和其周圍節(jié)點(diǎn)是否有關(guān)聯(lián)能夠從它的context得到。為了利用這個重要的信息，作者提出了通過GCN進(jìn)行學(xué)習(xí)的聚類方法，如圖(d)所示。這個框架概括起來包含三部分：

1、 作者將聚類的問題轉(zhuǎn)換為聯(lián)系預(yù)測的問題；

2、 預(yù)測聯(lián)系的時候不是對所有數(shù)據(jù)進(jìn)行，而是只對它的近鄰節(jié)點(diǎn)。針對每個節(jié)點(diǎn)，構(gòu)建一個以它為中心的子圖(IPS, Instance Pivot Subgraph)來描述局部的context。

3、 GCN輸出聯(lián)系的似然概率，然后通過合并得到類簇。

論文分享 | Linkage Based Face Clustering via GCN?mp.weixin.qq.com

總結(jié)

以上是生活随笔為你收集整理的dbscan论文_论文分享 ：Linkage Based Face Clustering via GCN的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。