DeepCluE：通过深度神经网络中多层集成的增强图像聚类
计算机视觉与模式识别
2023-09-19 v2 机器学习
摘要
深度聚类近来已成为一种用于复杂数据聚类的前景技术。尽管取得了可观进展，先前的深度聚类工作大多仅利用单层表示来构建或学习最终聚类，例如在最后全连接层上执行 K-means 聚类，或将某些聚类损失关联到特定层，忽视了联合利用多层表示以提升深度聚类性能的可能性。鉴于此，本文提出一种通过集成进行深度聚类（DeepCluE）的方法，通过借助深度神经网络中多层的能力，弥合深度聚类与集成聚类之间的鸿沟。具体而言，我们采用权值共享卷积神经网络作为骨干，以无监督方式通过实例级对比学习（经由实例投影器）和簇级对比学习（经由簇投影器）进行训练。此后，从训练好的网络中提取多层特征表示，并进一步执行集成聚类过程。具体地，通过高效聚类器从多层表示生成一组多样化基聚类。然后利用基于熵的准则自动估计多个基聚类中簇的可靠性，并据此将基聚类集合重构为加权簇二部图。通过对该二部图进行转移割划分，可获得最终共识聚类。在六个图像数据集上的实验结果证实了 DeepCluE 相对于最先进深度聚类方法的优势。
引用
@article{arxiv.2206.00359,
title = {DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks},
author = {Dong Huang and Ding-Hua Chen and Xiangji Chen and Chang-Dong Wang and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2206.00359},
year = {2023}
}
备注
To appear in IEEE Transactions on Emerging Topics in Computational Intelligence