自己監督型畳み込み部分空間クラスタリングネットワーク

データ自己表現に基づく部分空間クラスタリング手法は、低次元線形部分空間の連合に存在するデータから学習するために非常に人気があります。しかし、実際の視覚データが未加工の状態では必ずしもそのような線形部分空間に存在しないため、部分空間クラスタリングの適用範囲は制限されていました。一方、畳み込みニューラルネットワーク（ConvNet）は視覚データから識別的な特徴を抽出する強力なツールであることが示されていますが、このようなConvNetを訓練するには大量のラベル付きデータが必要であり、これが部分空間クラスタリングアプリケーションでは利用できません。そこで、特徴学習と部分空間クラスタリングを同時に達成するため、ConvNetモジュール（特徴学習用）、自己表現モジュール（部分空間クラスタリング用）、およびスペクトラルクラスタリングモジュール（自己監督用）を組み合わせた統合最適化フレームワークである自己教師あり畳み込み部分空間クラスタリングネットワーク（Self-Supervised Convolutional Subspace Clustering Network, S$^2$ConvSCN）を提案します。特に、我々はスペクトラルクラスタリングの出力を用いて特徴学習モジュール（分類損失を通じて）と自己表現モジュール（スペクトラルクラスタリング損失を通じて）の訓練を監督する二重自己監督を導入しています。4つのベンチマークデータセットでの実験結果は、この二重自己監督の有効性を示し、我々が提案したアプローチの優れた性能を証明しています。