面向深度聚类的上下文亲和邻域精炼方法

自监督学习领域的先前探索已从实例判别的角度启发了深度聚类的研究。在此基础上，近期的研究进一步强调了将语义相似的实例进行分组的重要性。实现这一目标的一种有效方法是促进由邻域一致性所保留的语义结构。然而，局部邻域中的样本可能因其彼此过于接近而受限，这可能无法提供丰富多样的监督信号。受图像检索中通用的重排序方法启发，我们提出利用高效的在线重排序过程，在上下文亲和（ConAff）邻域中挖掘更具信息量的邻居，然后鼓励跨视图邻域一致性。为了进一步减轻聚类边界附近固有的邻域噪声，我们提出了一种渐进松弛的边界过滤策略，以规避噪声邻居带来的问题。我们的方法可以轻松集成到通用的自监督框架中，并在多个流行基准上超越了最先进的方法。