摘要
传统的图像聚类方法通常采用两步法，即特征学习和聚类，这两个步骤依次进行。然而，近期的研究结果表明，将这两个分离的阶段结合在一个统一的框架中并进行联合训练可以取得更好的性能。在本文中，我们首先介绍了用于图像特征学习的全卷积自编码器（fully convolutional auto-encoders），然后提出了一种基于全卷积自编码器和软$k$-均值得分的统一聚类框架，以联合学习图像表示和聚类中心。在学习过程的初期阶段，从自编码器提取的表示可能对后续的聚类不够区分性强。为了解决这一问题，我们采用了增强型判别分布（boosted discriminative distribution），其中高得分分配被突出显示，而低得分分配则被弱化。随着判别能力的逐步增强，聚类分配得分变得更加区分性，并且聚类纯度得以提高。我们在多个视觉基准数据集上的实验结果表明，所提出的方法能够达到当前最先进的性能。