侯 青，楊榮新，張英杰，李 偉

(1.陜西中醫(yī)藥大學(xué) 科技處，陜西 咸陽(yáng) 712046；2.長(zhǎng)安大學(xué) 信息工程學(xué)院，陜西 西安 710064)

0 引 言

現(xiàn)階段利用深度學(xué)習(xí)相關(guān)技術(shù)實(shí)現(xiàn)圖像分類(lèi)的任務(wù)往往是有監(jiān)督學(xué)習(xí)的范疇，在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前首先需要對(duì)輸入的圖片數(shù)據(jù)集進(jìn)行人工標(biāo)注，打上屬于某一類(lèi)的“標(biāo)簽”。所以基于這種方式的圖像分類(lèi)方法很大程度上都依賴(lài)于數(shù)據(jù)集的容量和標(biāo)簽的質(zhì)量，這也在無(wú)形中對(duì)人工標(biāo)注的質(zhì)量和精度提出了更高的要求。所以減少對(duì)標(biāo)簽信息的依賴(lài)程度實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的分類(lèi)任務(wù)，也成了進(jìn)一步的研究目標(biāo)，這也是無(wú)監(jiān)督圖像分類(lèi)的發(fā)展方向。傳統(tǒng)的無(wú)監(jiān)督圖像分類(lèi)算法主要是基于統(tǒng)計(jì)特征或基于規(guī)則特征進(jìn)行分類(lèi)，這種方法不能直接對(duì)原始圖像數(shù)據(jù)進(jìn)行處理，必須首先對(duì)原始圖像數(shù)據(jù)進(jìn)行特征提取，然后構(gòu)造合適的分類(lèi)模型。在特征提取方面，主要包括紋理、顏色、形狀等底層視覺(jué)特征，尺度不變特征變換、局部二值模式、方向梯度直方圖等局部不變性特征，這些人工設(shè)計(jì)的特征缺乏良好的泛化性能，且依賴(lài)于設(shè)計(jì)者的先驗(yàn)知識(shí)，因此這種無(wú)監(jiān)督學(xué)習(xí)方法對(duì)于圖片分類(lèi)的普遍適用性不高而且分類(lèi)的準(zhǔn)確率較低?；谏疃葘W(xué)習(xí)大致可以分為兩種研究方向，一是將聚類(lèi)算法與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，依靠神經(jīng)網(wǎng)絡(luò)提取特征，通過(guò)聚類(lèi)算法對(duì)提取到的特征進(jìn)行無(wú)監(jiān)督圖像分類(lèi)。Yang B等人將降維(DR)和聚類(lèi)兩個(gè)任務(wù)相結(jié)合，提出一種聯(lián)合DR和Kmeans的聚類(lèi)方法。降維通過(guò)DNN來(lái)實(shí)現(xiàn)，并在低維空間實(shí)現(xiàn)聚類(lèi)，同時(shí)以重構(gòu)的方式來(lái)優(yōu)化DNN的降維損失。Caron M等人提出一種DeepCluster無(wú)監(jiān)督聚類(lèi)網(wǎng)絡(luò)，利用Kmeans對(duì)特征聚類(lèi)生成偽標(biāo)簽，并利用該偽標(biāo)簽以監(jiān)督方式訓(xùn)練分類(lèi)器。為了彌補(bǔ)特征提取的缺陷，謝娟英等人在深度卷積嵌入網(wǎng)絡(luò)中加入了兩個(gè)全連接層作為特征過(guò)渡層，同時(shí)在編碼層中加入下采樣結(jié)構(gòu)，減少模型參數(shù)，解碼層加入上采樣層還原下采樣導(dǎo)致的細(xì)節(jié)損失，提出了一種深度卷積自編碼圖像聚類(lèi)算法，并驗(yàn)證了改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)越性。二是提出改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)輸入圖像進(jìn)行數(shù)據(jù)集變換和對(duì)比學(xué)習(xí)，實(shí)現(xiàn)有語(yǔ)義過(guò)濾的特征級(jí)別無(wú)監(jiān)督分類(lèi)。Chang J等人提出一種DAC算法，將圖像聚類(lèi)問(wèn)題視為二元成對(duì)分類(lèi)任務(wù)，判斷圖像對(duì)是否屬于同一類(lèi)別，并通過(guò)引入聚類(lèi)約束，將網(wǎng)絡(luò)學(xué)習(xí)到的標(biāo)簽特征趨近于一個(gè)one-hot向量，可以被直接用于聚類(lèi)圖像。Ji X等人通過(guò)將輸入數(shù)據(jù)集進(jìn)行變換得到成對(duì)圖像，以最大化圖像對(duì)之間的互信息為目標(biāo)，提出一種IIC網(wǎng)絡(luò)，使模型在這些成對(duì)圖像中挖掘出較好的聚類(lèi)模式。Wouter Van Gansbeke等人基于對(duì)比學(xué)習(xí)，通過(guò)利用特征相似性來(lái)挖掘每張圖像的初始最近鄰，并利用最可信樣本對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，最大化圖像與其最近鄰之間的點(diǎn)積，實(shí)現(xiàn)無(wú)監(jiān)督圖像聚類(lèi)。任雪婷等人將成對(duì)學(xué)習(xí)和圖像聚類(lèi)進(jìn)行聯(lián)合，提出一種無(wú)監(jiān)督肺癌亞型識(shí)別方法，將CNN不同層的輸出特征進(jìn)行融合，構(gòu)建了一個(gè)高效的CNN特征提取框架，并利用成對(duì)學(xué)習(xí)的方式在每次聚類(lèi)迭代結(jié)果中選取一定的相同聚簇和不同聚簇的CT影像圖像對(duì)，結(jié)合對(duì)比損失函數(shù)對(duì)特征學(xué)習(xí)和聚類(lèi)表示進(jìn)行更新訓(xùn)練，增強(qiáng)了肺癌亞型識(shí)別的準(zhǔn)確率。深度學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)算法融合起來(lái)自適應(yīng)對(duì)圖像數(shù)據(jù)進(jìn)行處理，進(jìn)而減少甚至去掉數(shù)據(jù)標(biāo)注的任務(wù)，這將給一系列基于神經(jīng)網(wǎng)絡(luò)的有監(jiān)督任務(wù)帶來(lái)重要的意義，并且在無(wú)監(jiān)督視覺(jué)特征學(xué)習(xí)任務(wù)上也是一個(gè)重大的突破。

基于此，該文提出一種融合卷積神經(jīng)網(wǎng)絡(luò)和聚類(lèi)分析的自適應(yīng)圖像聚類(lèi)算法。首先對(duì)特征提取網(wǎng)絡(luò)AlexNet進(jìn)行結(jié)構(gòu)優(yōu)化，加入WN歸一化層；其次在快速峰值聚類(lèi)算法中，引入高斯函數(shù)對(duì)數(shù)據(jù)點(diǎn)的局部密度進(jìn)行度量，利用非聚類(lèi)中心到聚類(lèi)中心存在明顯非線性變化來(lái)自適應(yīng)確定聚類(lèi)中心；最后將特征提取網(wǎng)絡(luò)和改進(jìn)的快速峰值聚類(lèi)算法融合起來(lái)，實(shí)現(xiàn)了端到端的無(wú)監(jiān)督圖像分類(lèi)目標(biāo)，并在常見(jiàn)公開(kāi)圖像數(shù)據(jù)集上展示了優(yōu)異的分類(lèi)性能。

1 融合卷積神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督聚類(lèi)模型設(shè)計(jì)

1.1 AlexNet網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化

權(quán)值歸一化(weight normalization，WN)將權(quán)重向量分為向量方向和向量模來(lái)實(shí)現(xiàn)歸一化的操作過(guò)程。WN過(guò)程示意圖如圖1所示。

圖1 WN權(quán)值歸一化示意圖

WN的過(guò)程也可表示為：

(1)

為了驗(yàn)證WN層的加入是否可以起到優(yōu)化模型性能的目的，本節(jié)對(duì)無(wú)WN層以及有WN層時(shí)的模型以同樣的圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，訓(xùn)練過(guò)程中得到的準(zhǔn)確率變化趨勢(shì)如圖2所示。

由圖2可知，對(duì)加入WN歸一化層的模型的準(zhǔn)確率較未加入WN層的模型的準(zhǔn)確率有了明顯提升，模型最終收斂時(shí)的準(zhǔn)確率較無(wú)歸一化層的模型的準(zhǔn)確率最終提升了將近4個(gè)百分點(diǎn)。從參數(shù)角度來(lái)說(shuō)，對(duì)比LRN層，WN層可以實(shí)現(xiàn)利用更少的參數(shù)對(duì)網(wǎng)絡(luò)的權(quán)重進(jìn)行更新，這不僅減少了模型的復(fù)雜度從而使模型更快地收斂，也在一定程度上提升了模型的分類(lèi)準(zhǔn)確率，達(dá)到了對(duì)AlexNet的模型結(jié)構(gòu)進(jìn)行優(yōu)化的目的。

圖2 有無(wú)WN層的準(zhǔn)確率對(duì)比

1.2 改進(jìn)型的自適應(yīng)快速峰值聚類(lèi)算法

為了解決快速峰值聚類(lèi)算法必須由人為設(shè)定截止距離和手動(dòng)設(shè)置聚類(lèi)中心的問(wèn)題，本節(jié)引入高斯函數(shù)對(duì)數(shù)據(jù)點(diǎn)的局部密度進(jìn)行度量，具體的計(jì)算方法如式(2)所示。

(2)

令

I

={1,2,…,

N

}，則數(shù)據(jù)點(diǎn)與高密度點(diǎn)的距離計(jì)算公式如式(3)所示。

(3)

另外，快速峰值算法中在一定程度上僅僅依照經(jīng)驗(yàn)值人為主觀地實(shí)現(xiàn)距離參數(shù)

d

的選取，使得算法主觀性較強(qiáng)的同時(shí)穩(wěn)定性較差，算法的性能也在較大程度上受到了限制。本節(jié)將參數(shù)

d

的自適應(yīng)選取轉(zhuǎn)化為求解一個(gè)最優(yōu)化問(wèn)題。利用上述經(jīng)過(guò)重新定義的局部密度，可以構(gòu)造局部密度信息熵，如式(4)所示。

(4)

γ

≤

γ

≤…≤

γ

(6)

(7)

(8)

式中，

ε

為近似于0的正常數(shù)。在找出可能的聚類(lèi)中心點(diǎn)后，算法需要從這些點(diǎn)的集合選取出真正的聚類(lèi)中心，運(yùn)行時(shí)每次只向后遞推一個(gè)數(shù)據(jù)，組成包含2

m

+1個(gè)

γ

值的新的一組，當(dāng)?shù)谝淮纬霈F(xiàn)某一組中的2

m

+1個(gè)

γ

值產(chǎn)生躍變時(shí)，此時(shí)的

γ

+2被選擇為聚類(lèi)中心的閾值，并且將

γ

≥

γ

+2的數(shù)據(jù)選為聚類(lèi)中心，即聚類(lèi)中心點(diǎn)的集合表示如式(9)所示。

x

:

I

={

k

∈

I

|

γ

≥

γ

+2}

(9)

在自動(dòng)確定聚類(lèi)中心之后，非聚類(lèi)中心點(diǎn)的分配方式仍然是按照定義的距離計(jì)算方法將各個(gè)非聚類(lèi)中心點(diǎn)分配到與其距離最近的高密度點(diǎn)所在的類(lèi)，直到把所有的點(diǎn)全部分配完為止，至此完成了該自適應(yīng)快速峰值算法的所有步驟。

1.3 無(wú)監(jiān)督圖像聚類(lèi)學(xué)習(xí)框架

該文將改進(jìn)型的自適應(yīng)快速峰值聚類(lèi)算法與調(diào)整過(guò)的AlexNet網(wǎng)絡(luò)進(jìn)行結(jié)合，結(jié)合過(guò)程的核心思想是對(duì)卷積網(wǎng)絡(luò)學(xué)習(xí)到的深層特征進(jìn)行迭代地聚類(lèi)，并以聚類(lèi)結(jié)果為依據(jù)對(duì)卷積網(wǎng)絡(luò)的參數(shù)進(jìn)行更新。模型整體框架和工作的流程圖分別如圖3和圖4所示。

圖3 基于AlexNet的無(wú)監(jiān)督學(xué)習(xí)模型框架

用

f

表示卷積網(wǎng)絡(luò)AlexNet從原始圖像到固定維度向量空間的映射，其中

θ

是對(duì)應(yīng)的參數(shù)集。將這個(gè)映射應(yīng)用到無(wú)標(biāo)簽圖像數(shù)據(jù)集上，可以得到對(duì)圖像信息進(jìn)行表征的特征向量。對(duì)于訓(xùn)練集

X

={

x

,

x

,…,

x

}中的N個(gè)圖像，希望找到一個(gè)參數(shù)

θ

，以便映射

f

產(chǎn)生良好的通用特性。這些參數(shù)傳統(tǒng)上是通過(guò)監(jiān)督來(lái)學(xué)習(xí)的，即每個(gè)圖像

x

都與{0,1}中的標(biāo)簽

y

相關(guān)聯(lián)。然后參數(shù)化分類(lèi)器

g

會(huì)根據(jù)特征

f

(

x

)預(yù)測(cè)該圖像隸屬的正確的標(biāo)簽。則此時(shí)的損失函數(shù)如式(10)和式(11)所示。

圖4 無(wú)監(jiān)督圖像分類(lèi)流程

(10)

(11)

由AlexNet網(wǎng)絡(luò)產(chǎn)生的特征

f

(

x

)即為聚類(lèi)算法的輸入，聚類(lèi)算法根據(jù)相應(yīng)的幾何準(zhǔn)則把它們劃分成

k

類(lèi)。更簡(jiǎn)單地說(shuō)，算法以式(12)的最小化為手段，共同學(xué)習(xí)聚類(lèi)中心矩陣×和每幅圖像

n

的聚類(lèi)結(jié)果

y

。

(12)

(13)

1.4 無(wú)監(jiān)督圖像聚類(lèi)訓(xùn)練流程

利用預(yù)訓(xùn)練的ImageNet圖像分類(lèi)模型的參數(shù)對(duì)網(wǎng)絡(luò)權(quán)重的一般參數(shù)進(jìn)行初始化設(shè)計(jì)。利用訓(xùn)練過(guò)大型數(shù)據(jù)集的網(wǎng)絡(luò)參數(shù)進(jìn)行初始化有兩點(diǎn)好處：(1)經(jīng)過(guò)大量數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)學(xué)習(xí)到了提取圖像特征的基本方法；(2)以在大型數(shù)據(jù)集上學(xué)習(xí)到的參數(shù)進(jìn)行初始化賦值能加快模型的收斂，并且往往也能達(dá)到提高模型準(zhǔn)確率的效果。在控制其他各個(gè)條件一致的情況下，預(yù)訓(xùn)練參數(shù)和隨機(jī)初始化參數(shù)的網(wǎng)絡(luò)性能對(duì)比如圖5所示。

由圖5可以看出，基于預(yù)訓(xùn)練參數(shù)的一般參數(shù)初始化比基于隨機(jī)參數(shù)初始化的模型更快地收斂，這兩種模型收斂后的圖像分類(lèi)效果也有著直觀可見(jiàn)的差異，并且使用預(yù)訓(xùn)練參數(shù)的模型在最終性能上有了較大程度的提升。

圖5 基于預(yù)訓(xùn)練參數(shù)和隨機(jī)初始化參數(shù)的 模型性能對(duì)比

模型訓(xùn)練過(guò)程采用GPU模式，并選取小批量梯度下降(MBGD)算法作為損失函數(shù)的優(yōu)化器，具體的訓(xùn)練流程如圖6所示。

圖6 無(wú)監(jiān)督模型訓(xùn)練過(guò)程

2 圖像聚類(lèi)結(jié)果與比較分析

2.1 無(wú)監(jiān)督聚類(lèi)評(píng)價(jià)指標(biāo)

提出的無(wú)監(jiān)督圖像分類(lèi)模型是依賴(lài)聚類(lèi)算法對(duì)圖像進(jìn)行分類(lèi)的，所以采用準(zhǔn)確率(ACC)和歸一化互信息(NMI)來(lái)度量聚類(lèi)結(jié)果對(duì)無(wú)監(jiān)督圖像分類(lèi)的適用程度。

設(shè)數(shù)據(jù)集的總數(shù)量為

N

，每個(gè)數(shù)據(jù)對(duì)應(yīng)的真實(shí)標(biāo)簽為

h

，每個(gè)數(shù)據(jù)利用無(wú)監(jiān)督模型分得的類(lèi)標(biāo)簽表示為

g

，那么可以得到無(wú)監(jiān)督學(xué)習(xí)得來(lái)的類(lèi)標(biāo)簽映射到真實(shí)標(biāo)簽的函數(shù)map(

g

)，則定義ACC如式(14)所示。

(14)

式中，

δ

是計(jì)算

h

和map(

g

)匹配度的一個(gè)函數(shù)，表達(dá)式見(jiàn)式(15)。

(15)

另外，本節(jié)通過(guò)標(biāo)準(zhǔn)化互信息(NMI)來(lái)衡量同一數(shù)據(jù)的兩個(gè)不同賦值

A

和

B

之間共享的信息，該信息定義如式(16)所示。

(16)

式中，

I

表示互信息，

H

表示熵。此度量可應(yīng)用于來(lái)自集群或真實(shí)標(biāo)簽的任何分配。NMI值的變動(dòng)范圍在0到1之間，如果兩個(gè)集群

A

和

B

是完全獨(dú)立的，則NMI等于0，NMI的值越大，代表兩個(gè)集群的相似度越高。

2.2 聚類(lèi)結(jié)果與對(duì)比分析

以四個(gè)常見(jiàn)的公開(kāi)圖像數(shù)據(jù)集為代表，分析所提出的融合卷積神經(jīng)網(wǎng)絡(luò)和聚類(lèi)分析的無(wú)監(jiān)督網(wǎng)絡(luò)在各個(gè)圖像數(shù)據(jù)集上的表現(xiàn)，并以ACC和NMI兩種評(píng)價(jià)指標(biāo)來(lái)對(duì)網(wǎng)絡(luò)模型的性能進(jìn)行評(píng)價(jià)。選取了100個(gè)epoch迭代過(guò)程之后的收斂過(guò)程進(jìn)行了可視化，分類(lèi)結(jié)果的ACC評(píng)價(jià)指標(biāo)如圖7所示，分類(lèi)結(jié)果的NMI評(píng)價(jià)指標(biāo)如圖8所示。

圖7 四個(gè)數(shù)據(jù)集在ACC下的分類(lèi)結(jié)果

對(duì)圖7和圖8進(jìn)行比較分析，可以看出四個(gè)數(shù)據(jù)集在兩種模型下訓(xùn)練的NMI和ACC值基本上呈現(xiàn)出相同的變化趨勢(shì)，這兩個(gè)性能指標(biāo)都是在訓(xùn)練過(guò)程中逐漸提升并且最終達(dá)到收斂狀態(tài)，但是網(wǎng)絡(luò)在相同數(shù)據(jù)集訓(xùn)練下達(dá)到收斂時(shí)的NMI值都比ACC高。也證明了文中提出的網(wǎng)絡(luò)模型在無(wú)監(jiān)督圖像分類(lèi)任務(wù)中的合理性和可行性。

圖8 四個(gè)數(shù)據(jù)集在NMI下的分類(lèi)結(jié)果

同時(shí)，為了驗(yàn)證文中提出的無(wú)監(jiān)督分類(lèi)模型的性能優(yōu)劣，本節(jié)也選取了近年來(lái)表現(xiàn)相對(duì)優(yōu)越的5種無(wú)監(jiān)督學(xué)習(xí)算法分別對(duì)這幾種公開(kāi)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，并將結(jié)果進(jìn)行了橫向?qū)Ρ?。不同的無(wú)監(jiān)督算法對(duì)四種數(shù)據(jù)集在ACC指標(biāo)下的分類(lèi)結(jié)果對(duì)比如表1所示，不同的無(wú)監(jiān)督算法對(duì)四種數(shù)據(jù)集在NMI指標(biāo)下的分類(lèi)結(jié)果對(duì)比如表2所示。

表1 ACC指標(biāo)下不同無(wú)監(jiān)督算法的分類(lèi)結(jié)果

表2 NMI指標(biāo)下不同無(wú)監(jiān)督算法的分類(lèi)結(jié)果

由表1和表2可以看出，文中提出的改進(jìn)型無(wú)監(jiān)督圖像分類(lèi)模型的結(jié)果是最優(yōu)的，評(píng)價(jià)指標(biāo)ACC和NMI值在每類(lèi)數(shù)據(jù)下都較現(xiàn)有算法有了較大的提升，特別是在CUB數(shù)據(jù)集上相較于Chang J等人提出的算法在ACC評(píng)價(jià)指標(biāo)上的性能提升了將近7.4%，在NMI評(píng)價(jià)指標(biāo)上的性能比Wouter等人的算法的性能提升了將近11%，這也證明了文中提出的無(wú)監(jiān)督模型在不同數(shù)據(jù)集上進(jìn)行無(wú)監(jiān)督分類(lèi)的可行性和有效性。

從理論角度進(jìn)行分析，對(duì)比的五種模型中針對(duì)無(wú)監(jiān)督條件下的圖像特征提取主要圍繞兩種方式展開(kāi)。一是基于編碼和解碼重構(gòu)的學(xué)習(xí)方式，即先構(gòu)建編碼器對(duì)輸入圖像進(jìn)行特征提取得到隱變量，然后對(duì)隱變量特征進(jìn)行解碼重構(gòu)，以最大化原始圖像和重構(gòu)圖像之間的相似度來(lái)保證所提取隱變量特征的有效性，最后通過(guò)隱變量特征完成圖像分類(lèi)。這種方式雖然能夠?qū)崿F(xiàn)對(duì)圖像特征的有效提取，但就圖像分類(lèi)任務(wù)而言，重構(gòu)的限制太過(guò)于嚴(yán)格，往往不同類(lèi)別對(duì)象間僅依靠某些特定的細(xì)節(jié)特征就可以分類(lèi)。二是基于數(shù)據(jù)集變換的學(xué)習(xí)方式，即對(duì)輸入圖像進(jìn)行隨機(jī)變換，然后以雙輸入通道的方式，對(duì)比網(wǎng)絡(luò)輸出的原始圖像特征表示和變換圖像特征表示之間的相似性，達(dá)到對(duì)同一類(lèi)別圖像的特征學(xué)習(xí)的目的。這種方法能夠誘導(dǎo)網(wǎng)絡(luò)的輸出不因?qū)ο笪恢米兓a(chǎn)生差異，可以在一定程度上提高分類(lèi)的準(zhǔn)確性，但是數(shù)據(jù)集變換方法是有限的，無(wú)法完全滿足輸入圖像的各種狀態(tài)，且隨著數(shù)據(jù)集變換方式的增多，網(wǎng)絡(luò)復(fù)雜度會(huì)大幅度上升。

文中所提出的無(wú)監(jiān)督分類(lèi)模型將卷積神經(jīng)網(wǎng)絡(luò)AlexNet和聚類(lèi)分析相融合，一方面聚類(lèi)的結(jié)果可作為偽標(biāo)簽指導(dǎo)網(wǎng)絡(luò)的迭代過(guò)程，另一方面更新的網(wǎng)絡(luò)可以重新進(jìn)行聚類(lèi)。隨著batch批次的不斷迭代，聚類(lèi)產(chǎn)生的偽標(biāo)簽不斷向著正確類(lèi)別逼近，同時(shí)也能更好地提升網(wǎng)絡(luò)的特征提取能力。這兩個(gè)過(guò)程動(dòng)態(tài)化進(jìn)行，能夠充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力和聚類(lèi)算法的聚簇能力，且模型設(shè)計(jì)簡(jiǎn)單、巧妙，實(shí)現(xiàn)了聚類(lèi)中心的自動(dòng)選取和整個(gè)無(wú)監(jiān)督圖像分類(lèi)過(guò)程的自動(dòng)化。

3 結(jié)束語(yǔ)

該文設(shè)計(jì)了一種融合改進(jìn)型AlexNet網(wǎng)絡(luò)與自適應(yīng)快速峰值聚類(lèi)算法的無(wú)監(jiān)督學(xué)習(xí)模型，在對(duì)卷積網(wǎng)絡(luò)學(xué)習(xí)特征進(jìn)行聚類(lèi)的同時(shí)以此為依據(jù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行更新，兩個(gè)過(guò)程迭代進(jìn)行，以實(shí)現(xiàn)對(duì)圖像的無(wú)監(jiān)督分類(lèi)。為了驗(yàn)證該無(wú)監(jiān)督分類(lèi)模型的可行性和有效性，使用了四個(gè)公開(kāi)的圖像數(shù)據(jù)集進(jìn)行基準(zhǔn)測(cè)試，并將最后的分類(lèi)結(jié)果按ACC和NMI兩個(gè)評(píng)價(jià)指標(biāo)進(jìn)行了展示。另外，引入目前現(xiàn)有的幾種無(wú)監(jiān)督分類(lèi)算法完成同樣的分類(lèi)任務(wù)，結(jié)果也證明了改進(jìn)后無(wú)監(jiān)督圖像分類(lèi)模型相較目前比較出色的幾種無(wú)監(jiān)督算法的優(yōu)越性。然而，在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，提出的無(wú)監(jiān)督圖像分類(lèi)模型不適應(yīng)于數(shù)據(jù)特征維度較高的情況，在輸入到聚類(lèi)網(wǎng)絡(luò)之前需要借助降維手段進(jìn)行處理。分析原因可能是特征維度較高時(shí)，基于距離度量的快速峰值聚類(lèi)算法會(huì)失效。如何將網(wǎng)絡(luò)提取到的高維特征直接運(yùn)用到聚類(lèi)算法還有待進(jìn)一步研究。