基于无监督深度学习的图像聚类研究

发布时间：2025-02-27 19:21

　　如今,数据聚类是许多领域的基本问题,例如机器学习,模式识别,计算机视觉,数据压缩等,而图像聚类作为图像领域中的一项关键技术,有着很重要的研究价值和应用前景。随着人工智能技术的迅速发展,深度学习在图像等相关领域发挥着重要的作用,因此本文主要研究了无监督深度学习嵌入式聚类问题上的应用,提出了基于Sliced-Wasserstein距离的深度自编码嵌入式聚类算法;其次又提出了基于自监督Pretext task和噪声对比损失的深度嵌入式聚类算法。具体两种算法创新思路和主要工作如下:基于Sliced-Wasserstein距离的深度自编码嵌入式聚类算法。由于常规的自编码器无法约束隐变量特征空间导致聚类性能差,为此本文将Sliced-Wasserstein距离应用到聚类自编码网络框架中,不仅能够保持Wasserstein距离的优势,还能够通过Sliced-Wasserstein距离约束隐变量特征空间,在限定空间中利用软分配实施聚类,优化图像无监督嵌入式聚类的性能。在MNIST、Fashion MNIST以及USPS数据集上的实验结果显示,本文所提出的算法在无监督聚类精度(ACC)和标准化互信息(NM...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 图像聚类的国内外研究现状
        1.2.1 无监督聚类算法研究现状
        1.2.2 半监督聚类算法研究现状
    1.3 本文研究的主要内容和章节安排
第2章 基于Sliced-Wasserstein距离的深度自编码嵌入式聚类
    2.1 引言
    2.2 Wasserstein距离的定义与求解计算方法
        2.2.1 Wasserstein距离
        2.2.2 Wasserstein距离与常见距离之间的区别
        2.2.3 Wasserstein距离与最优传输理论之间的关系
        2.2.4 Wasserstein距离的求解计算方法
            2.2.4.1 熵正则化方法
            2.2.4.2 Bregman-ADMM算法
            2.2.4.3 Sliced-Wasserstein距离的求解计算方法
    2.3 SWAE嵌入式聚类
        2.3.1 基于SWAE的嵌入式聚类网络结构
        2.3.2 聚类模块
            2.3.2.1 软分配损失优化
            2.3.2.2 Sliced-Wasserstein估计损失优化
        2.3.3 SWAE嵌入式聚类的训练、测试
    2.4 实验仿真及结果分析
        2.4.1 实验数据集
        2.4.2 实验评价指标
        2.4.3 实验平台及参数设定
        2.4.4 实验结果
        2.4.5 实验参数分析
    2.5 本章小结
第3章 基于自监督Pretext task和噪声对比损失的深度嵌入式聚类
    3.1 引言
    3.2 经典自监督Pretext task的常用方法
        3.2.1 通过预测图像旋转的无监督特征表示学习
        3.2.2 通过上下文编码器的无监督特征表示学习
        3.2.3 通过对比预测编码的无监督特征表示学习
    3.3 对比损失约束应用算法
        3.3.1 Contrastive Loss约束
        3.3.2 Triple Loss约束
    3.4 联合噪声对比损失的自监督深度嵌入式聚类
        3.4.1 基于自监督Pretext task的嵌入式聚类网络结构
        3.4.2 构造噪声对比损失约束
        3.4.3 嵌入式聚类模型的训练和测试
    3.5 实验仿真及结果分析
        3.5.1 实验平台及参数设定
        3.5.2 实验结果
        3.5.3 实验参数分析
    3.6 本章小结
第4章 总结和展望
    4.1 总结
    4.2 展望
致谢
参考文献
附录



本文编号：4034401