Selbstüberwachtes Faltungsunterraumclusternetzwerk

Subspace-Clustering-Methoden auf der Grundlage der Daten-Selbstausdrucksfähigkeit sind in den letzten Jahren sehr populär geworden, um aus Daten zu lernen, die in einer Vereinigung niedrigdimensionaler linearer Unterräume liegen. Allerdings war die Anwendbarkeit des Subspace-Clustering begrenzt, da praktische visuelle Daten im Rohformat nicht unbedingt in solchen linearen Unterräumen liegen. Andererseits hat sich das Convolutional Neural Network (ConvNet) als mächtiges Werkzeug zur Extraktion diskriminativer Merkmale aus visuellen Daten erwiesen. Das Training eines solchen ConvNets erfordert jedoch in der Regel eine große Menge an etikettierten Daten, die in Subspace-Clustering-Anwendungen nicht verfügbar sind.Um gleichzeitiges Feature-Lernen und Subspace-Clustering zu erreichen, schlagen wir ein von Anfang bis Ende trainierbares Framework vor, das als Self-Supervised Convolutional Subspace Clustering Network (S$^2$ConvSCN) bezeichnet wird. Dieses Framework kombiniert ein ConvNet-Modul (für Feature-Lernen), ein Selbstausdrucksmodul (für Subspace-Clustering) und ein spektrales Clustering-Modul (für Selbstüberwachung) in einem gemeinsamen Optimierungsrahmen. Insbesondere führen wir eine duale Selbstüberwachung ein, die die Ausgabe des spektralen Clusterings nutzt, um das Training des Feature-Lernmoduls (durch einen Klassifikationsverlust) und des Selbstausdrucksmoduls (durch einen spektralen Clusterverlust) zu überwachen.Unsere Experimente mit vier Benchmark-Datensätzen zeigen die Effektivität der dualen Selbstüberwachung und demonstrieren die überlegene Leistungsfähigkeit unseres vorgeschlagenen Ansatzes.