非对称卷积编码器的聚类算法
基于深度神经网络的非监督学习方法通过联合优化特征表示和聚类指派,大大提升了聚类任务的性能.但大量的参数降低了运行速度,另外,深度模型提取的特征的区分能力也影响聚类性能.为此,提出一种新的聚类算法(asymmetric fully-connected layers convolutional auto-encoder,AFCAE),其中卷积编码器结合非对称全连接进行无监督的特征提取,然后K-means算法对所得特征执行聚类.网络采用3×3和2×2的小卷积核,大大减少了参数个数,降低了算法复杂性.在MNIST上AFCAE获得0.960的聚类精度,比联合训练的DEC(deep embedding clustering)方法(0.840)提高了 12个百分点.在6个图像数据集上实验结果表明AFCAE网络有优异的特征表示能力,能出色完成下游的聚类任务.
无监督、聚类、深度神经网络、卷积神经网络、自编码器、特征学习、特征表示、算法复杂性
17
TP181(自动化基础理论)
河北省引进留学人员资助项目;河北省机器学习与计算智能重点实验室自主立项项目;河北省科技计划重点研发项目;河北省自然科学基金;河北省社会科学基金项目
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共8页
900-907