Clustering d'Images Basé sur la Densité Profonde

Récemment, le regroupement profond, capable d'effectuer un apprentissage de caractéristiques favorisant les tâches de regroupement via des réseaux neuronaux profonds, a obtenu des performances remarquables dans les applications de regroupement d'images. Cependant, les algorithmes de regroupement profond existants ont généralement besoin du nombre de clusters à l'avance, ce qui est souvent inconnu dans les tâches du monde réel. De plus, les centres de cluster initiaux dans l'espace des caractéristiques apprises sont générés par $k$-means. Cette méthode ne fonctionne bien que pour des clusters sphériques et peut conduire à des résultats de regroupement instables. Dans cet article, nous proposons un cadre en deux étapes pour le regroupement d'images basé sur la densité profonde (DDC) afin de résoudre ces problèmes. La première étape consiste à former une autoencodeur convolutif profond (CAE) pour extraire des représentations de caractéristiques à faible dimension à partir de données d'images à haute dimension, puis à appliquer t-SNE pour réduire davantage les données à un espace bidimensionnel favorable aux algorithmes de regroupement basés sur la densité. La deuxième étape consiste à appliquer la technique de regroupement basée sur la densité développée sur les données plongées bidimensionnelles afin de reconnaître automatiquement un nombre approprié de clusters avec des formes arbitraires. Plus précisément, plusieurs clusters locaux sont générés pour capturer les structures locales des clusters, puis ils sont fusionnés en fonction de leur relation de densité pour former le résultat final du regroupement. Les expérimentations montrent que le DDC proposé atteint des performances comparables ou même supérieures aux méthodes actuelles de regroupement profond, même si le nombre de clusters n'est pas fourni.