【源码】基于 PyTorch 的不确定性感知深度聚类图像特征自监督学习系统

项目简介

本项目实现了基于不确定性感知的深度聚类模型，专注于图像特征的自监督学习。该模型通过融合低级与高级特征、定义伪类标不确定性并将其引入分类训练，有效提升了自监督学习方法的性能，为深度学习模型训练提供新视角，还可拓展到其他无监督或自监督学习任务。

项目的主要特性和功能

1. 特征融合：融合卷积神经网络不同层次的低级和高级特征，结合细节与抽象信息，增强模型对图像内容和细节的理解，提升整体特征表达能力。
2. 不确定性度量：借鉴模糊聚类概念，依据样本与其簇心距离定义伪类标不确定性，使模型在聚类时能考虑每个样本的不确定性。
3. 不确定性利用：将伪类标不确定性引入分类模型训练，为不同样本赋予不同权重，提高模型处理高度不确定性样本的性能。

安装使用步骤

1. 环境准备：安装 Python 2.7、SciPy 和 scikit - learn 包、PyTorch 0.1.8 版本、CUDA 8.0、Faiss 库，准备 ImageNet 数据集。
2. 自监督学习训练：修改 main_promoted2.1.sh 脚本，把数据集组织成所需形式，指定数据路径及其他参数，运行脚本进行自监督学习的前置任务训练，训练好的模型会保存到参数指定文件夹。
3. 下游任务训练：修改 eval_linear.sh 脚本，指定监督数据（ImageNet 或 Places）路径、模型路径、迁移的最高层及 checkpoint 位置，运行脚本进行下游任务训练。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】