基于对比学习的超多类深度图像聚类模型

摘要：

图像聚类通过表征学习对图像数据降维并提取有效特征而后进行聚类分析.当图像数据存在超多类别时,数据分布的复杂性和类簇的密集性严重影响了现有方法的实用性.为此,提出了基于对比学习的超多类深度图像聚类模型,主要分为3个阶段:首先,改进对比学习方法训练特征模型以使类簇分布均匀;其次,基于语义相似性原则多视角挖掘实例语义最近邻信息;最后,将实例及其最近邻作为自监督信息训练聚类模型.根据实验类型的不同,设计了消融实验和对比实验.在消融实验中,证明了所提方法使类簇均匀分布在映射空间,并可靠挖掘语义最近邻信息.在对比实验中,将其与先进算法在7个基准数据集上进行了比较,在ImageNet-200类数据集上,其准确率比 目前先进方法提升了10.6％;在ImageNet-1000类数据集上,其准确率比目前先进算法提升了9.2％.

关键词：超多类聚类、对比学习、特征模型、语义相似性、图像聚类

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：192-201