一种基于迁移学习的特征弱相关图像聚类方法

图像聚类是将一组图像划分为互不相交的簇，使得同一簇中的图像彼此之间比与其他簇中的图像更相似，这是一个无监督或半监督学习过程。它是机器学习和计算机视觉中一项关键且具有挑战性的任务。现有图像聚类方法的性能与用于聚类的特征密切相关，即便基于无监督编码的方法已大幅提升了性能。为减小聚类特征的影响，我们提出了一种用于图像聚类的特征弱相关方法。该方法将无监督聚类过程转化为无监督学习与迁移学习交替迭代的过程。聚类过程首先基于手工特征的图像聚类为每幅图像估计初始标签，随后使用所提出的采样策略挑选具有可靠标签的图像输入迁移学习模型，以学习可用于下一轮无监督学习的代表性特征。以此方式，图像聚类被迭代优化。此外，手工特征仅用于启动聚类过程，对最终性能影响很小；因此，所提方法为特征弱相关的。在六类公开数据集上的实验结果表明，所提方法优于最先进的方法，且同时更少依赖于所采用的特征。