基于增强生成对抗网络与信息最大化的图像聚类
计算机视觉与模式识别
2024-09-30 v1
摘要
由于未标记数据集可用性的提升，图像聚类近期引起了显著关注。传统聚类算法的效率严重依赖于所使用的距离函数与特征的维数。因此，在处理未加工图像或从已处理图像中提取的高维特征时，常观察到性能下降。为应对这些挑战，我们提出了一种由改进的生成对抗网络（GAN）与辅助分类器组成的深度聚类框架。该改进在 GAN 的判别器之前采用 Sobel 操作以增强所学特征的可分性。随后利用该判别器生成表示，作为辅助分类器的输入。采用自适应目标函数训练辅助分类器以对这些表示进行聚类，旨在通过最小化判别器生成的多个表示之间的散度来提升鲁棒性。该辅助分类器由一组多个聚类头实现，其中使用容忍超参数以应对不平衡数据。我们的结果表明，所提方法在 CIFAR-10 与 CIFAR-100 上显著优于当前最优的聚类方法，并在 STL10 与 MNIST 数据集上具有竞争力。
引用
@article{arxiv.2011.04094,
title = {Image Clustering using an Augmented Generative Adversarial Network and Information Maximization},
author = {Foivos Ntelemis and Yaochu Jin and Spencer A. Thomas},
journal= {arXiv preprint arXiv:2011.04094},
year = {2024}
}