최근, 딥 클러스터링은 딥 신경망을 통해 클러스터링 작업에 유리한 특징 학습을 수행하여 이미지 클러스터링 응용 분야에서 뛰어난 성능을 달성하였습니다. 그러나 기존의 딥 클러스터링 알고리즘은 일반적으로 미리 클러스터의 수를 필요로 하며, 이는 실제 작업에서 대부분 알려져 있지 않습니다. 또한, 학습된 특징 공간에서 초기 클러스터 중심은 $k$-평균($k$-means)으로 생성되는데, 이 방법은 구형 클러스터에만 잘 작동하며 불안정한 클러스터링 결과를 초래할 가능성이 있습니다. 본 논문에서는 이러한 문제들을 해결하기 위해 두 단계의 딥 밀도 기반 이미지 클러스터링(Deep Density-based Clustering, DDC) 프레임워크를 제안합니다.첫 번째 단계에서는 딥 컨볼루션 오토인코더(Deep Convolutional Autoencoder, CAE)를 훈련시켜 고차원 이미지 데이터에서 저차원 특징 표현을 추출하고, 그 다음에는 t-SNE(t-distributed Stochastic Neighbor Embedding)를 적용하여 데이터를 2차원 공간으로 더 줄여 밀도 기반 클러스터링 알고리즘에 유리하게 만듭니다. 두 번째 단계에서는 개발된 밀도 기반 클러스터링 기술을 2차원 임베딩 데이터에 적용하여 임의의 형태를 가진 적절한 수의 클러스터를 자동으로 인식합니다. 구체적으로, 여러 개의 로컬 클러스터가 생성되어 클러스터의 로컬 구조를 포착하고, 이후 이들의 밀도 관계를 통해 최종적인 클러스터링 결과를 형성합니다.실험 결과는 제안된 DDC가 주어진 클러스터의 수 없이 최신 딥 클러스터링 방법들보다 비슷하거나 심지어 더 우수한 클러스터링 성능을 보임을 입증하였습니다.