来源：期刊VIP网 时间：
作者：钱宇华;程占文;李飞江;王婕婷;
单位：山西大学大数据科学与产业研究院;山西大学计算智能与中文信息处理教育部重点实验室;
摘要：图像聚类是计算机视觉领域的一项重要任务，尽管已经提出许多方法来解决图像聚类问题，但目前基于表示的深度聚类方法主要依赖于样本的判别性表示能力。然而，除了判别性表示外，还应该考虑同类样本分配概率的一致性，使得学习到的样本表示空间同时具备判别性、稳定性和一致性。基于此，本文使用近邻一致性策略对图像深度聚类算法进行研究，该方法由两阶段组成，第一阶段为表示学习阶段，训练了一个卷积自编码器，构建初始特征空间；第二阶段为聚类阶段，使用样本的近邻一致性作为聚类约束，并引入样本稳定性增强近邻一致性，通过迭代优化聚类损失，在第一阶段的基础上对卷积编码器的网络参数进行微调，获得最终的聚类分布。该方法在聚类时主要考虑每一样本与其最近邻样本分配概率的一致性，充分挖掘同类样本间的相似关系，获得紧密的样本分布。实验结果表明，在五个图像数据集上，本文提出的方法优于典型的聚类算法。
关键词：深度聚类;;图像;;自编码器
基金资助：国家自然科学基金（62106132;62306170）;; 山西省科技重大专项（202201020101006）;; 山西省基础研究计划（20210302124271;202103021223026）;; 山西省科技创新人才团队专项资助（202304051001001）
