利用鲁棒学习改进无监督图像聚类

无监督图像聚类方法通常引入替代目标以间接训练模型，但这些方法容易产生错误预测和过度自信的结果。为了解决这些问题，当前研究提出了一种创新模型RUC（Robust Unsupervised Clustering），该模型受到鲁棒学习的启发。RUC的创新之处在于利用现有图像聚类模型的伪标签作为可能包含误分类样本的噪声数据集。其再训练过程可以修正错位的知识，并缓解预测中的过度自信问题。该模型灵活的结构使其可以作为附加模块与其他聚类方法结合使用，帮助它们在多个数据集上实现更好的性能。大量实验表明，所提出的模型可以通过更好的校准调整模型置信度，并增强对对抗性噪声的鲁棒性。