*The National Natural Science Foundation of China under Grant No.61673251(国家自然科学基金);the Key Research and Develop-ment Program of Shaanxi Province under Grant No.2018ZDXMSF ‐079(陕西省科技攻关重点项目)；the Fundamental Research Funds for the Central Universities of China under Grant No.GK201701006(中央高校基本科研业务费专项资金).
Received 2018-05-07,Accepted 2018-06-25.
CNKI 网络出版:2018-06-29,knski/KCMS/detail/11.5602.TP.20180628.1555.004.html 计算机科学与探索
Journal of Frontiers of Computer Science and Technology 深度卷积自编码图像聚类算法* 引向器
谢娟英+，侯琦，曹嘉文卡口系统
气浮转台陕西师范大学计算机科学学院，西安710119傅科摆原理
+通讯作者E-mail:xiejuany@snnu.edu
摘要：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。
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
文献标志码：A 中图分类号：TP181
谢娟英，侯琦，曹嘉文.深度卷积自编码图像聚类算法[J].计算机科学与探索,2019,13(4):586-595.
集束线XIE J Y ,HOU Q,CAO J W.Image clustering algorithms by deep convolutional autoencoders[J].Journal of Fron-tiers of Computer Science and Technology,2019,13(4):586-595.
Image Clustering Algorithms by Deep Convolutional Autoencoders
XIE Juanying +,HOU Qi,CAO Jiawen口袋领域
School of Computer Science,Shaanxi Normal University,Xi an 710119,China
Abstract:To avoid the big characteristic loss of deep convolutional embedded clustering (DCEC)algorithm,1673-9418/2019/13(04)-0586-10doi:10.3778/j.issn.1673-9418.1806029
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议