Das Lernen mit vollständiger oder teilweiser Überwachung ist leistungsfähig, hängt jedoch von ständig wachsenden menschlichen Annotierungsaufwand ab. Als Lösungsansatz für dieses ernste Problem und um spezifische Anwendungen zu bedienen, hat sich das unüberwachte Lernen als wichtiger Forschungsbereich etabliert. Im Bereich der Computer Vision tritt das unüberwachte Lernen in verschiedenen Formen auf. Hier konzentrieren wir uns auf die unüberwachte Entdeckung und Zuordnung von Objektkategorien innerhalb einer Bildsammlung, wie es in der Arbeit von Cho et al. (2015) beschrieben wird. Wir zeigen, dass der ursprüngliche Ansatz als ein geeignetes Optimierungsproblem reformuliert und gelöst werden kann. Experimente an mehreren Benchmarks belegen die Qualität unseres Ansatzes.