Tiefe dichte-basierte Bildclustering

Kürzlich haben tiefere Clusterverfahren, die durch tiefe Neuronale Netze Merkmalslernprozesse durchführen können, die Clusteraufgaben begünstigen, in Anwendungen zur Bildclustering bemerkenswerte Leistungen erzielt. Allerdings benötigen die bestehenden tiefen Clusteralgorithmen im Allgemeinen die Anzahl der Cluster im Voraus, was in realen Aufgaben oft unbekannt ist. Zudem werden die anfänglichen Clusterzentren im gelernten Merkmalsraum durch $k$-Means generiert. Dies funktioniert nur gut bei kugelförmigen Clustern und kann zu instabilen Clustergebnissen führen. In dieser Arbeit schlagen wir ein zweistufiges tiefes dichtebasiertes Bildclustering (DDC) Framework vor, um diese Probleme zu lösen. Das erste Stadium besteht darin, einen tiefen Faltungs-Autoencoder (CAE) zu trainieren, um niedrigdimensionale Merkmalsrepräsentationen aus hochdimensionalen Bilddaten zu extrahieren, und dann t-SNE anzuwenden, um die Daten weiter auf einen 2-dimensionalen Raum zu reduzieren, der dichtebasierten Clusterverfahren zugutekommt. Das zweite Stadium besteht darin, das entwickelte dichtebasierte Clusterverfahren auf den 2-dimensional eingebetteten Daten anzuwenden, um automatisch eine geeignete Anzahl von Clustern mit beliebiger Form zu erkennen. Konkret werden mehrere lokale Cluster generiert, um die lokalen Strukturen der Cluster einzufangen, und dann über ihre Dichteverhältnisse zusammengefasst, um das endgültige Clustering-Ergebnis zu bilden. Experimente zeigen, dass das vorgeschlagene DDC vergleichbare oder sogar bessere Clusterleistung als state-of-the-art tiefere Clustermethoden erzielt, auch wenn die Anzahl der Cluster nicht angegeben wird.