自监督卷积子空间聚类网络

基于数据自表达的子空间聚类方法在从位于低维线性子空间联合中的数据中学习方面变得非常流行。然而，由于实际视觉数据在原始形式下并不一定位于这些线性子空间中，子空间聚类的应用范围受到了限制。另一方面，尽管卷积神经网络（ConvNet）已被证明是提取视觉数据判别特征的强大工具，但训练这样的ConvNet通常需要大量标注数据，而在子空间聚类应用中这些标注数据往往不可用。为了实现特征学习和子空间聚类的同步进行，我们提出了一种端到端可训练的框架，称为自监督卷积子空间聚类网络（Self-Supervised Convolutional Subspace Clustering Network, S$^2$ConvSCN），该框架将卷积神经网络模块（用于特征学习）、自表达模块（用于子空间聚类）和谱聚类模块（用于自监督）结合在一个联合优化框架中。特别是，我们引入了双重自监督机制，利用谱聚类的输出来监督特征学习模块的训练（通过分类损失）和自表达模块的训练（通过谱聚类损失）。我们在四个基准数据集上的实验结果表明了双重自监督的有效性，并展示了我们所提出方法的优越性能。