딥 어댑티브 이미지 클러스터링

이미지 클러스터링은 머신러닝 및 컴퓨터 비전 분야에서 핵심적이지만 도전적인 과제이다. 기존의 방법들은 특징 학습과 클러스터링 간의 상호작용을 무시하는 경향이 있다. 이러한 문제를 해결하기 위해 우리는 이미지 쌍이 동일한 클러스터에 속하는지를 판단하는 이진 쌍별 분류 프레임워크로 클러스터링 문제를 재정의한 딥 어댑티브 클러스터링(Deep Adaptive Clustering, DAC)을 제안한다. DAC에서는 깊은 합성곱 신경망(ConvNet)을 통해 생성된 이미지의 레이블 특징 간 코사인 거리로 유사도를 계산한다. DAC에 제약 조건을 도입함으로써 학습된 레이블 특징은 클러스터링에 활용할 수 있는 one-hot 벡터 형태로 수렴하게 된다. 주요 도전 과제는 이미지 클러스터링에서 참값(ground-truth) 유사도가 알려져 있지 않다는 점이다. 이를 해결하기 위해, 각 반복 단계에서 레이블이 부여된 샘플을 선택하고 ConvNet을 훈련하는 대체 반복적 어댑티브 학습 알고리즘을 제안한다. 최종적으로, 레이블 특징을 기반으로 이미지들이 자동으로 클러스터링된다. 실험 결과, DAC는 다섯 가지 대표적인 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 예를 들어 MNIST에서는 97.75%의 클러스터링 정확도, CIFAR-10에서는 52.18%, STL-10에서는 46.99%의 정확도를 기록하였다.