强增强对比聚类
机器学习
2022-07-15 v2 计算机视觉与模式识别
摘要
深度聚类因能通过深度神经网络联合表征学习与聚类而近年受到越来越多关注。在其最新进展中,对比学习已成为显著提升深度聚类性能的有效技术。然而,现有基于对比学习的深度聚类算法多聚焦于一些精心设计的增强(通常为保留结构的有限变换),称为弱增强,却无法超越弱增强去探索更强增强(更具侵略性的变换甚至严重失真)中的更多机会。本文提出一种端到端深度聚类方法,称为强增强对比聚类(SACC),其将传统双增强视图范式扩展为多视图,并联合利用强与弱增强以强化深度聚类。特别地,我们使用一个三重权重共享的主干网络,其中纳入一个强增强视图与两个弱增强视图。基于主干产生的表征,弱-弱视图对与强-弱视图对被同时用于实例级对比学习(通过实例投影器)与簇级对比学习(通过簇投影器),其与主干可纯无监督方式联合优化。在五个具挑战性图像数据集上的实验结果展示了我们的 SACC 方法优于当前最优(SOTA)。代码见 https://github.com/dengxiaozhi/SACC。
引用
@article{arxiv.2206.00380,
title = {Strongly Augmented Contrastive Clustering},
author = {Xiaozhi Deng and Dong Huang and Ding-Hua Chen and Chang-Dong Wang and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2206.00380},
year = {2022}
}