卷积自编码器嵌入层的多级特征学习及用于图像聚类的深度逆特征学习
计算机视觉与模式识别
2020-10-07 v1 机器学习
摘要
本文提出一种深度聚类新方法：卷积自编码器（CAE）嵌入层上的多级特征学习（CAE-MLE）。我们采用凝聚聚类作为多级特征学习，在潜特征空间上提供层次化结构。研究表明，应用多级特征学习显著改进了基础深度卷积嵌入聚类（DCEC）。CAE-MLE在CAE学习潜特征的同时，将凝聚聚类的聚类损失一并考虑。继先前逆特征学习的工作，我们证明以误差表征作为通用学习策略可应用于不同深度聚类方法并取得良好结果。我们在CAE-MLE上发展了深度逆特征学习（deep IFL）这一新方法，在同类型方法中达到了最先进（SOTA）结果。实验结果表明，在MNIST与USPS两个知名数据集上，CAE-MLE比基础方法DCEC提升约7%–14%。同时，所提deep IFL将初始结果提升约9%–17%。因此，相较于多数现有技术，CAE-MLE与基于CAE-MLE的deep IFL两种方案均可带来显著性能提升。所提方案虽基于基础卷积自编码器，却取得了优异结果，甚至优于变分自编码器或生成对抗网络（GAN）。
引用
@article{arxiv.2010.02343,
title = {Multi-level Feature Learning on Embedding Layer of Convolutional Autoencoders and Deep Inverse Feature Learning for Image Clustering},
author = {Behzad Ghazanfari and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2010.02343},
year = {2020}
}