异构三流聚类网络
机器学习
2023-01-12 v1 计算机视觉与模式识别
摘要
对比深度聚类近来因其通过深度神经网络联合对比学习与聚类的性能而备受关注。尽管进展迅速，以往工作大多需要正负样本对进行对比聚类，这依赖于相对较大的批大小。此外，它们通常采用带两种增强视图的双流架构，忽视了多流架构（尤其含异构或混合网络者）的可能性与潜在益处。有鉴于此，本文提出一种称为异构三流聚类网络（HTCN）的端到端深度聚类新方法。HTCN 的三流架构包含三个主要组件：两个权重共享的在线网络与一个目标网络，其中目标网络参数为在线网络参数的指数移动平均。值得注意的是，两个在线网络通过同时（i）预测目标网络的实例表示，以及（ii）强制目标网络的簇表示与两个在线网络的簇表示间的一致性进行训练。在四个具挑战性图像数据集上的实验结果证明了 HTCN 相对于最优深度聚类方法的优越性。代码见 https://github.com/dengxiaozhi/HTCN。
引用
@article{arxiv.2301.04451,
title = {Heterogeneous Tri-stream Clustering Network},
author = {Xiaozhi Deng and Dong Huang and Chang-Dong Wang},
journal= {arXiv preprint arXiv:2301.04451},
year = {2023}
}
备注
To appear in Neural Processing Letters