초록
전통적인 이미지 클러스터링 방법은 특징 학습과 클러스터링을 순차적으로 두 단계로 수행한다. 그러나 최근 연구 결과는 분리된 단계들을 통합된 프레임워크에서 결합하고 이를 공동으로 훈련시키면 더 나은 성능을 달성할 수 있음을 보여주었다. 본 논문에서는 먼저 완전 컨벌루션 오토인코더를 소개하여 이미지 특징 학습에 사용하고, 그 다음으로 완전 컨벌루션 오토인코더와 소프트 $k$-평균 점수를 기반으로 이미지 표현과 클러스터 중심을 공동으로 학습하는 통합 클러스터링 프레임워크를 제안한다. 학습 과정의 초기 단계에서 오토인코더에서 추출된 표현이 후속 클러스터링에 대해 매우 구별력이 떨어질 수 있다. 이 문제를 해결하기 위해 우리는 고점수 할당을 강조하고 저점수 할당을 축소하는 부스트된 구별 분포를 채택한다. 점진적으로 강화되는 구별력을 통해 클러스터링 할당 점수가 구별되고 클러스터 순도가 증가한다. 여러 시각 벤치마크 데이터셋에 대한 실험 결과, 우리의 방법론이 최신 기술 수준의 성능을 달성할 수 있음을 보여준다.