基于深度特征表示的Softmax聚类算法

• 作者: 翟俊海 赵佳成 陈俊芬 韩洁
• 来源期刊: 南京大学学报（自然科学版）
• 学科: 工学
• 关键词: 无监督学习 特征表示 卷积自编码器 图像聚类 Softmax分类器
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 概念表示和学习
• 页码范围: 533-540
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.13232/j.cnki.jnju.2020.04.011

摘要

图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(Asymmetric Convolutional Auto-encoder Based Softmax Clustering,ASCAE-Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL (Kullback-Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.