无标签图像分类学习（论文解析）

这段文字主要介绍了一篇名为“Learning to Classify Images Without Labels”的论文，该论文提出了一种无需标签就能自动对图像进行分类的方法。

论文的核心思想是通过三个步骤实现无标签图像分类：

1. 自监督学习： 利用自监督学习方法获取图像的良好特征表示。
2. 聚类： 使用一种特殊的K-最近邻聚类方法对图像进行聚类，将相似图像归为同一类。
3. 自我标注： 利用聚类结果对图像进行自我标注，并通过比较聚类结果与真实标签之间的匹配度来评估模型的性能。

论文中展示了该方法在ImageNet数据集上的实验结果，结果显示该方法能够将图像准确地聚类到各自的类别，例如将所有气球、鸟类和鲨鱼等物体分别聚集成不同的类别。

作者强调，该方法无需事先知道图像的类别，也不依赖任何人工标注，这使得它在实际应用中具有更广泛的适用性。

此外，作者还解释了该方法的评估方法，即通过将聚类结果与真实标签进行比较，并尽可能地将聚类结果与真实标签进行匹配，来评估模型的性能。

如何在没有标签的情况下学习标签？如何在不知道要将图像分类到哪些类别的情况下对图像进行分类？本文研究了表示学习、聚类和自标记的新组合，以将视觉上相似的图像分组在一起——并在基准数据集上取得了令人惊讶的高精度。提纲：0:00 - 简介和高级概述2:15 - 问题陈述4:50 - 为什么朴素聚类不起作用9:25 - 表示学习13:40 - 基于最近邻的聚类28:00 - 自标记32:10 - 实验38:20 - ImageNet 实验41:00 - 过度聚类论文：https://arxiv.org/abs/2005.12320代码：https://github.com/wvangansbeke/Unsupervised-Classification
摘要：是否可以在不使用真实标签的情况下自动对图像进行分类？或者即使类别本身也不是先验已知的？这些在计算机视觉中仍然是重要的开放性问题。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，并提倡一个两步法，其中特征学习和聚类是分离的。首先，从表示学习中使用一个自监督任务来获得语义上有意义的特征。其次，我们将获得的特征作为可学习聚类方法中的先验。通过这样做，我们消除了聚类学习依赖于低级特征的能力，而这是当前端到端学习方法中存在的。实验评估表明，我们在性能上远远超过了最先进的方法，特别是在 CIFAR10 上提高了 +26.9%，在 CIFAR100-20 上提高了 +21.5%，在 STL10 上提高了 +11.7%，在分类精度方面。此外，ImageNet 上的结果表明，我们的方法是第一个能够很好地扩展到 200 个随机选择的类别的方法，获得了 69.3% 的 top-1 精度和 85.5% 的 top-5 精度，与完全监督的方法相比，差距不到 7.5%。最后，我们将我们的方法应用于 ImageNet 上的所有 1000 个类别，发现结果非常令人鼓舞。代码将公开发布。