基于渐进式社区检测的深度聚类

深度聚类是现代人工智能中的重要任务，旨在将一组数据样本划分为给定数量的均匀组（即聚类）。近期研究提出了日益先进的深度神经网络和训练策略，显著提升了性能。然而，深度聚类因监督信号不足仍面临挑战。基于现有的表示学习骨干网络，本文提出了一种渐进式社区检测聚类策略。该方法通过将样本初始化为大量伪社区，然后逐步通过社区合并扩展聚类来实现。与现有聚类策略相比，社区检测从聚类网络分析的新视角考虑因素，能够有效利用全局结构特征来增强聚类伪标签的纯度，这对于自监督学习的性能至关重要。我们基于流行的骨干网络实现了所提出的方法，并在基准图像数据集上进行评估。我们的广泛实验表明，所提出的聚类策略能够有效提升最先进的性能。我们的消融研究还表明，这种新的网络视角能够有效提高社区伪标签的纯度，从而提升自监督学习效果。