비감독 이미지 분류에서 임베딩과 클래스 할당 간의 불일치 완화

비지도 이미지 분류는 도전적인 컴퓨터 비전 과제이다. 딥러닝 기반 알고리즘은 뛰어난 성과를 달성하였으며, 최신 접근법은 임베딩 과정과 클래스 할당 과정에서 유일한 손실 함수를 도입하고 있다. 그러나 이러한 두 과정은 본질적으로 서로 다른 목표를 가지고 있기 때문에, 이를 함께 최적화하는 것은 하위 최적 해에 이를 수 있다. 이 제한점을 해결하기 위해, 우리는 사전 훈련을 위한 임베딩 모듈과 동시에 임베딩 및 클래스 할당을 수행하는 개선 모듈을 포함하는 새로운 이단계 알고리즘을 제안한다. 제안한 모델은 다양한 데이터셋에서 평가된 결과, 기존 최고 수준(SOTA)의 성능을 초월하였으며, 비지도 과제에서 CIFAR-10 데이터셋에 대해 81.0%의 높은 정확도를 기록하여 기존 대비 19.3个百分点 향상되었고, CIFAR-100-20에서는 35.3%의 정확도(9.6pp 향상), STL-10에서는 66.5%의 정확도(6.9pp 향상)를 달성하였다.