Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Lopes, Leonardo Tadeu | - |
Autor(es): dc.creator | Carlos Guimaraes Pedronette, Daniel | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:36:48Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:36:48Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/WACV56688.2023.00559 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246901 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246901 | - |
Descrição: dc.description | In spite of the huge advances in supervised learning, the common requirement for extensive labeled datasets represents a severe bottleneck. In this scenario, other learning paradigms capable of addressing the challenge associated with the scarcity of labeled data represent a relevant alternative solution. This paper presents a novel clustering method called Self-Supervised Graph Convolutional Clustering (SGCC)1, which aims to exploit the strengths of different learning paradigms, combining unsupervised, semi-supervised, and self-supervised perspectives. An unsupervised manifold learning algorithm based on hypergraphs and ranking information is used to provide more effective and global similarity information. The hypergraph structures allow identifying representative items for each cluster, which are used to derive a set of small but high-confident clusters. Such clusters are taken as soft-labels for training a Graph Convolutional Network (GCN) in a semi-supervised classification task. Once trained in a self-supervised setting, the GCN is used to predict the cluster of remaining items. The proposed SGCC method was evaluated both in image and citation networks datasets and compared with classic and recent clustering methods, obtaining high-effective results in all scenarios. | - |
Descrição: dc.description | State University of São Paulo (UNESP) | - |
Descrição: dc.description | State University of São Paulo (UNESP) | - |
Formato: dc.format | 5623-5632 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - 2023 IEEE Winter Conference on Applications of Computer Vision, WACV 2023 | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Algorithms: Machine learning architectures | - |
Palavras-chave: dc.subject | and algorithms (including transfer) | - |
Palavras-chave: dc.subject | formulations | - |
Palavras-chave: dc.subject | Image recognition and understanding (object detection, categorization, segmentation, scene modeling, visual reasoning) | - |
Título: dc.title | Self-Supervised Clustering based on Manifold Learning and Graph Convolutional Networks | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: