深度子空间聚类网络的 mini-batch 训练策略
计算机视觉与模式识别
2025-07-29 v1 人工智能
摘要
mini-batch 训练是现代深度学习的基石，能够为训练复杂网络结构提供计算效率和可扩展性。然而，现有的深度子空间聚类（DSC）方法——通常将自动编码器与自表达层结合——依赖于全批处理。瓶颈在于自表达模块需要对整个数据集的表示才能构建自表示系数矩阵。本文引入记忆库以保存全局特征表示的机制，实现了 DSC 的 mini-batch 训练策略。该方法克服了以往限制，使基于深度网络的子空间聚类能够处理高分辨率图像。此外，为高效微调大规模预训练编码器用于子空间聚类，我们提出一种无解码器框架，采用对比学习而非自动编码进行表示学习。该设计不仅消除了解码器训练的计算开销，还提供了竞争性的性能。大量实验表明，我们的方法不仅在性能上与全批方法相当，而且在 COIL100 和 ORL 数据集上超越了其他最先进的子空间聚类方法。
关键词
引用
@article{arxiv.2507.19917,
title = {A mini-batch training strategy for deep subspace clustering networks},
author = {Yuxuan Jiang and Chenwei Yu and Zhi Lin and Xiaolan Liu},
journal= {arXiv preprint arXiv:2507.19917},
year = {2025}
}