초록
본 논문에서는 깊은 표현과 이미지 클러스터링을 공동으로 비지도 학습(Joint Unsupervised LEarning, JULE)하는 반복 프레임워크를 제안합니다. 제안된 프레임워크에서 클러스터링 알고리즘의 연속적인 연산은 컨벌루션 신경망(CNN)이 출력한 표현 위에 쌓인 반복 과정의 단계로 표현됩니다. 훈련 중에는 이미지 클러스터와 표현이 공동으로 업데이트됩니다: 순방향 패스에서는 이미지 클러스터링이 수행되며, 역방향 패스에서는 표현 학습이 이루어집니다. 이 프레임워크의 핵심 아이디어는 좋은 표현이 이미지 클러스터링에 유익하며, 클러스터링 결과가 표현 학습에 지도 신호를 제공한다는 것입니다. 두 과정을 단일 모델로 통합하고 통합된 가중 트립렛 손실을 사용하여 엔드투엔드로 최적화함으로써, 우리는 더 강력한 표현뿐만 아니라 더 정확한 이미지 클러스터를 얻을 수 있습니다. 광범위한 실험 결과는 본 방법론이 다양한 이미지 데이터셋에서 기존 최고 성능의 이미지 클러스터링 방법론보다 우수함을 보여줍니다. 또한 학습된 표현은 다른 작업으로 전송될 때에도 잘 일반화됨을 확인할 수 있었습니다.