计算机科学与探索

作者：陈俊芬, 张明, 赵佳成, 谢博鋆, 李艳

单位：1. 河北大学 数学与信息科学学院 河北省机器学习与计算智能重点实验室，河北 保定 0710022. 北京师范大学珠海分校 应用数学学院，广东 珠海 519087

关键词：深度聚类,特征表示,卷积降噪自编码器,自注意力机制,聚类精度

近几年，联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能，但随着图像质量的下降（比如噪声图像），聚类结果还不能令人满意。为此，提出一种新的深度聚类算法（DDC）。深度卷积降噪自编码器学习噪声数据的特征表示；自注意力机制提高网络捕获局部关键信息的能力；端到端的联合训练得到合适的特征表示并完成聚类分配；对数据点和类中心的相似度赋予不同的权重，扩大同类和异类之间的差异。在公开图像数据集上的实验表明DDC算法的聚类性能更高；并与其他深度聚类算法进行对比，例如在COIL-20上DDC的聚类精度是0.803，而DEC算法仅是0.597。总之，结合自注意力和深度卷积降噪自编码器的DDC算法能对噪声图像进行更有效的聚类分析，扩大了图像聚类的应用范围。

来源：2021年第9期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2021年第9期