arXiv · Machine Learning· Jo\~ao P. Matos-Carvalho, Nuno Fachada·· 13 小时前AI 评分34
基于视觉-语言模型嵌入的图像聚类
Image Clustering with Vision-Language Model Embeddings
AI 导读
研究比较视觉-语言模型嵌入用于图像聚类的9种表示管线，在7个图像基准和4种聚类配置下评估252组基线；固定Ward链接的凝聚聚类中，Qwen3-VL在5个数据集上ARI最高。BLIP-2在CIFAR-10和CIFAR-100上分别取得0.925和0.591的ARI；在63组数据集—表示组合中，L2归一化使35组ARI上升、26组下降、2组不变。
来源：arXiv · Machine Learning · arxiv.org