자기 감독형 합성곱 부분 공간 클러스터링 네트워크

데이터 자기 표현을 기반으로 하는 부분 공간 클러스터링 방법이 저차원 선형 부분 공간의 연합에 있는 데이터에서 학습하는 데 매우 인기가 있습니다. 그러나 원시 형태의 실제 시각적 데이터가 반드시 이러한 선형 부분 공간에 존재하지 않기 때문에, 부분 공간 클러스터링의 적용 범위는 제한되어 왔습니다. 한편, 컨벌루션 신경망(Convolutional Neural Network, ConvNet)은 시각적 데이터에서 차별적인 특징을 추출하는 강력한 도구로 입증되었지만, 이러한 ConvNet을 훈련시키는 데는 대량의 라벨된 데이터가 필요하며, 이는 부분 공간 클러스터링 응용 분야에서 제공되지 않습니다. 이를 해결하기 위해, 우리는 특징 학습과 부분 공간 클러스터링을 동시에 수행할 수 있는 end-to-end 훈련 가능한 프레임워크인 자기 지도 컨벌루션 부분 공간 클러스터링 네트워크(Self-Supervised Convolutional Subspace Clustering Network, S$^2$ConvSCN)를 제안합니다. 이 프레임워크는 특징 학습 모듈(컨벌루션 신경망 모듈), 부분 공간 클러스터링 모듈(자기 표현 모듈) 및 자기 지도 모듈(스펙트럼 클러스터링 모듈)을 결합하여 공동 최적화 프레임워크를 구성합니다. 특히, 우리는 스펙트럼 클러스터링의 출력을 활용하여 특징 학습 모듈(분류 손실을 통해)과 자기 표현 모듈(스펙트럼 클러스터링 손실을 통해)의 훈련을 감독하는 이중 자기 지도(dual self-supervision)를 도입하였습니다. 네 개의 벤치마크 데이터셋에 대한 실험 결과는 이중 자기 지도의 효과성을 보여주며, 제안된 접근 방식이 우수한 성능을 발휘함을 입증하였습니다.