大規模無教師画像クラスタリングのための自己監督学習

教師なし学習は、データのラベリングという高コストで複雑なプロセスを回避できるため、機械学習研究者や実務者にとって常に魅力的なものでした。しかし、複雑なデータの教師なし学習は困難であり、最良の手法であっても監督付き学習の手法と比べて性能が著しく劣ることが多いです。自己教師あり深層学習は、コンピュータビジョンにおける表現学習の強力な手段となっています。しかし、これらの手法は完全に教師なしの設定で評価されていませんでした。本論文では、自己教師あり表現に基づく単純な教師なし分類スキームを提案します。提案手法をいくつかの最近の自己教師あり方法で評価した結果、ImageNet分類において競争力のある結果を達成しています（1000クラスタでのImageNet精度が39%、オーバークラスタリングでは46%）。私たちは、自己教師あり学習の標準ベンチマークに教師なし評価を追加することをお勧めします。コードはhttps://github.com/Randl/kmeans_selfsuper で利用可能です。