Clustering répulsif profond de données ordonnées basé sur une décomposition identité-ordre

Nous proposons l'algorithme de clustering répulsif profond (DRC) pour des données ordonnées, afin d'assurer un apprentissage efficace de l'ordre. Tout d'abord, nous développons le réseau de décomposition ordre-identité (ORID) afin de séparer les informations associées à une instance d'objet en deux composantes : un vecteur de caractéristiques liées à l'ordre et un vecteur de caractéristiques d'identité. Ensuite, nous regroupons les instances d'objets en clusters en fonction de leurs caractéristiques d'identité, en introduisant un terme répulsif pour améliorer la séparation entre classes. Par ailleurs, nous estimons le rang d'une instance de test en la comparant aux références appartenant au même cluster. Les résultats expérimentaux sur l'estimation de l'âge facial, la régression du score esthétique et la classification d'images historiques en couleur démontrent que l'algorithme proposé permet un clustering efficace des données ordonnées, tout en offrant des performances exceptionnelles en estimation de rang.