魔視智能演算法團隊論文被機器學習頂級會議ICML錄用

近日，第36屆國際機器學習大會(International Conference on Machine Learning)，在美國長灘會議中心隆重召開，該會議作為機器學習人工智慧領域的兩大頂級盛會之一，代表著熱門科研領域的最前沿，具有廣泛而深遠的國際影響力。ICML 2019年一共在3424篇論文中錄取774篇，錄用率僅有22.6%。

魔視智能連同澳大利亞國立大學，莫納什大學，以及NEC America Lab的研究員共同完成了名為神經協同子空間聚類（NeuralCollaborative Subspace Clustering）論文，該論文解決了譜聚類對子空間聚類的限制，為以後將子空間聚類擴展到大規模數據集上邁出了第一步。

打開今日頭條，查看更多圖片

魔視智能團隊在ICML會議上的論文展示

聚類是無監督學習中核心的任務之一，目標就是根據損失函數來自動對樣本進行類別劃分，而子空間聚類是實現高維數據聚類更有效的途徑，是高維數據空間中對傳統聚類的擴展。如今大規模數據和神經網路大行其道，高維數據空間的表徵學習已經成為目前最為主流探討的問題。

子空間聚類是一種基於譜聚類的子空間聚類方法, 其基 本思想是, 假設高維空間中的數據本質上屬於某個 低維子空間, 能夠在低維子空間中進行線性表示, 反過來, 高維數據的低維表示能夠揭示數據所在的本 質子空間, 有利於數據聚類。

論文網路基本框架圖

為了克服傳統工作總是需要所有數據建立拉普拉斯矩陣和譜聚類帶來的內存消耗和計算量大的缺點，該方法主要得益於建立了一個基於神經網路的分類器來確定任意兩個數據是否在同一個子空間中。演算法更本質的部分是構建了兩個歸屬矩陣：一個基於分類器，另一個則基於子空間自表達性；並利用這兩個歸屬矩陣進行協同監督訓練。本文完整地對比了該演算法和目前最好的聚類方法（包括具有深度子空間的聚類方法）的實驗效果，驗證了方法的有效性。

該方法在圖像分割領域可以對移動物體的位置進行更精確的分割，同時，在語意SLAM中可以用來無監督的對圖片進行分割，減少人工標定成本。

此次ICML會議，魔視智能再次展示了在機器學習領域的高水平研究成果和尖端演算法研發能力。在機器學習和計算機視覺等人工智慧的前沿核心領域，魔視智能始終保持國際領先的研發水平。

迄今為止，魔視智能核心專家團隊已經在CVPR/ ICCV/ NIPS/ ECCV/ TPAMI上發表頂級學術論文超過100篇，引用次數多達20242次（Google Scholar Citation, as of Apr. 2019）。分別兩次在CVPR和ICCV上獲得最佳論文大獎及大獎提名。並且多次在包括CITYSCAPES和KITTI等國際權威演算法比賽上奪得世界第一。

魔視智能持續致力於將最前沿的人工智慧科技在汽車工業落地，推動自動駕駛技術的進步。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！