计算机科学与探索

作者：谢娟英，侯琦，曹嘉文

单位：陕西师范大学 计算机科学学院，西安 710119

关键词：深度图像聚类,卷积自编码,卷积神经网络（CNN）,深度学习,聚类

针对现有深度卷积嵌入聚类算法（deep convolutional embedded clustering，DCEC）的网络特征损失过大，对复杂图像没有提取有效特征的问题，提出一个具有17层网络结构的无监督深度聚类框架，并在编码层加入下采样层，减少参数和防止过拟合；在解码层加入上采样层还原下采样造成的细节损失。分别结合DEC（deep embedded clustering）算法的损失函数和IDEC（improved deep embedded clustering）算法的采用局部结构保留优势的损失函数，得到两种基于卷积自编码的深度学习图像聚类算法DEC_DCNN（deep embedded clustering based on deep convolutional neural network）和IDEC_DCNN（improved deep embedded clustering based on deep convolutional neural network），并使用自适应矩估计（adaptive moment estimation，Adam）和小批量随机梯度下降（mini-batch stochastic gradient decent，mini-batch SGD）两种优化方法调整模型参数。3个经典图像数据集的实验结果显示，提出的17层网络结构对图像特征具有很好的鲁棒性和通用性，基于该 网络结构的深度聚类算法取得了远优于现有深度聚类算法的结果，其聚类准确率均优于对比算法；对深度 聚类算法DEC_DCNN和IDEC_DCNN的聚类结果准确率、指标值AMI（adjusted mutual information）和ARI（adjusted rand index）进行比较，IDEC_DCNN比DEC_DCNN的聚类性能更好，说明IDEC_DCNN算法的性能更优越。

来源：2019年第4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2019年第4期