Réseau de Clustering de Sous-espaces Convolutif Auto-supervisé

Les méthodes de clustering de sous-espaces basées sur l'auto-expression des données sont devenues très populaires pour apprendre à partir de données qui se situent dans une union d'espaces linéaires de faible dimension. Cependant, l'applicabilité du clustering de sous-espaces a été limitée car les données visuelles pratiques sous forme brute ne se situent pas nécessairement dans ces espaces linéaires. D'autre part, bien que le réseau neuronal convolutif (ConvNet) ait été démontré comme étant un outil puissant pour extraire des caractéristiques discriminantes des données visuelles, l'entraînement d'un tel ConvNet nécessite généralement une grande quantité de données étiquetées, qui ne sont pas disponibles dans les applications de clustering de sous-espaces. Pour réaliser un apprentissage simultané des caractéristiques et du clustering de sous-espaces, nous proposons un cadre d'apprentissage entièrement entraînable, appelé Réseau de Clustering de Sous-Espaces Convolutif Auto-Supervisé (S$^2$ConvSCN), qui combine un module ConvNet (pour l'apprentissage des caractéristiques), un module d'auto-expression (pour le clustering de sous-espaces) et un module de clustering spectral (pour l'auto-supervision) dans un cadre d'optimisation conjointe. Plus particulièrement, nous introduisons une auto-supervision double qui exploite la sortie du clustering spectral pour superviser l'entraînement du module d'apprentissage des caractéristiques (via une perte de classification) et du module d'auto-expression (via une perte de clustering spectral). Nos expériences sur quatre ensembles de données基准数据集（benchmark datasets） montrent l'efficacité de cette auto-supervision double et démontrent la supériorité des performances de notre approche proposée.注：在法语文本中，“基准数据集”被翻译为“ensembles de données benchmark”，以保持专业术语的一致性和准确性。