基于语义对比学习的深度聚类

尽管对比学习近期通过学习的样本特异性判别性视觉特征为无标签图像深度聚类带来了显著益处，但其在显式推断类别决策边界方面的潜力却较少被理解。这是因为其实例判别策略对类别不敏感，因此在该样本特异性特征空间上导出的聚类并未针对对应有意义的类别决策边界进行优化。在这项工作中，我们通过引入语义对比学习（SCL）解决此问题。SCL通过构建语义（聚类感知）对比学习目标，在无标签训练数据上施加显式的基于距离的聚类结构。此外，我们引入一个聚类一致性条件，要求实例视觉相似性与聚类决策边界共同满足，并同时优化二者以通过它们的共识实时推断语义真值类别（未知/无标签）的假设。这种用于发现未知类别决策边界的语义对比学习方法在无监督物体识别任务学习中具有显著优势。大量实验表明，SCL在六个物体识别基准上优于最先进的对比学习和深度聚类方法，尤其在更具挑战性的细粒度和更大数据集上。