2018CVPR-clstering

深度对抗子空间聚类-Deep Adversarial Subspace Clustering

大多数现有的子空间聚类方法都依赖于手工表达的自我表达，并且不知道潜在的聚类错误。为了解决这一问题，我们提出了一种新的深度对抗方法。

子空间聚类（DASC）模型通过深入学习学习学习子空间聚类中更有利的样本表示，更重要的是引入对抗学习来监督样本表示学习和子空间聚类。具体地说，DASC由一个子空间聚类生成器和一个质量验证鉴别器组成，它们互相学习。该生成器产生子空间估计和样本聚类。鉴别器通过检查从估计子空间重新采样的数据是否具有一致的子空间属性来评估当前的聚类性能，并监督生成器逐步改进子空间聚类。

对手写体识别、人脸和对象聚类任务的实验结果表明，与浅子空间和少子空间聚类模型相比，DASC具有优势。此外，据我们所知，这是第一次成功地应用Gan相似模型进行无监督子空间聚类，这也为深入学习解决其他无监督学习问题铺平了道路。

文章链接：“http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_Deep_Adversarial_Subspace_CVPR_2018_paper.pdf

详解参考链接：https://www.cnblogs.com/EstherLjy/p/9840016.html

基于图聚类的局部和全局优化技术

基于图的聚类的目标是将一个数据集从数据之间的相似性矩阵中分割成成员彼此相似的不相交的子集。谱聚类是解决基于图聚类问题最常用的方法。然而，光谱聚类有缺点。谱聚类只能应用于基于宏观平均值的成本函数，这往往会产生不需要的小聚类。本文首先介绍了一种新的基于微观平均的成本函数。本文提出了一种局部优化方法，该方法广泛应用于图聚类成本函数。为了避免初始化依赖性，我们还提出了一种无初始猜测的算法。

此外，我们还提出了两种全局优化技术。

实验结果表明，我们提出的方法具有显著的聚类性能，包括COIL-20数据集中100%的聚类精度。

文章链接：http://openaccess.thecvf.com/content_cvpr_2018/papers/Ikami_Local_and_Global_CVPR_2018_paper.pdf

无约束人脸深密度聚类

在本文中，我们考虑了一组不受约束的人脸图像的分组问题。我们提出了一种无监督聚类算法，称为深度密度聚类（DDC），它是基于测量特征空间中局部邻域之间的密度相似性。通过学习每个邻域的最小覆盖球，封装了关于底层结构的信息。封装还可以定位邻域的高密度区域，这有助于测量邻域的相似性。从理论上证明了该封装渐近收敛于一个Parzen窗密度估计。实验结果表明，当受试者数目未知时，DDC是一种较好的无约束人脸聚类方法。不同于传统的链接和基于密度的方法，这些方法对选择操作点很敏感，DDC获得了更一致和更好的性能。此外，密度感知特性降低了寻找合适操作点的难度。

文章链接：http://openaccess.thecvf.com/content_cvpr_2018/papers/Lin_Deep_Density_Clustering_CVPR_2018_paper.pdf