要約
最近、深層クラスタリングは、深層ニューラルネットワークを用いてクラスタリングタスクに有利な特徴学習を行うことができ、画像クラスタリングの応用において著しい性能を達成しています。しかし、既存の深層クラスタリングアルゴリズムは一般的に事前にクラスタ数を必要としますが、これは実世界のタスクでは通常未知です。さらに、学習された特徴空間における初期のクラスタ中心は$k$-平均法によって生成されます。これは球形のクラスターに対してのみ効果的に機能し、不安定なクラスタリング結果につながる可能性があります。本論文では、これらの問題を解決するために二段階の深層密度に基づく画像クラスタリング（Deep Density-based Clustering: DDC）フレームワークを提案します。第一段階では、深層畳み込み自己符号化器（Convolutional Autoencoder: CAE）を訓練して高次元の画像データから低次元の特徴表現を抽出し、その後t-SNEを適用してデータを2次元空間にさらに削減することで、密度に基づくクラスタリングアルゴリズムに有利な状態を作ります。第二段階では、開発した密度に基づくクラスタリング技術を2次元埋め込みデータに適用し、任意の形状を持つ適切な数のクラスターを自動的に認識します。具体的には、局所的なクラスターが生成され、各クラスターの局所構造を捉えます。その後、それらの密度関係を通じてマージされ最終的なクラスタリング結果が形成されます。実験結果は、提案されたDDCが既知の最高峰の深層クラスタリング手法と同等かそれ以上のクラスタリング性能を達成することを示しており、即使われるクラスター数が与えられていない場合でも同様です。