文献类型：期刊文章

作　　者：陈俊芬[1] 赵佳成[1] 韩洁[1] 翟俊海[1]

Chen Junfen;Zhao Jiacheng;Han Jie;Zhai Junhai(Hebei Key Laboratory of Machine Learning and Computational Intelligence,College of Mathematics and Information Science,Hebei University,Baoding,071002,China)

机构地区：[1]河北省机器学习与计算智能重点实验室,河北大学数学与信息科学学院,保定071002

出　　处：《南京大学学报（自然科学版）》

基　　金：河北省科技重点研发项目(19210310D);河北大学高层次创新人才科研启动经费项目。

年　　份：2020

卷　　号：56

期　　号：4

起止页码：533-540

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度Softmax聚类算法(ASCAE‐Softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用Softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback‐Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.

关 键 词：无监督学习 特征表示  卷积自编码器  图像聚类 Softmax  分类器

分 类 号：TP391]