文献类型：期刊文章

作　　者：陈俊芬[1] 赵佳成[1] 翟俊海[1] 李艳[2]

CHEN Junfen;ZHAO Jiacheng;ZHAI Junhai;LI Yan(Hebei Key Laboratory of Machine Learning and Computational Intelligence,College of Mathematics and Information Sciences,Hebei University,Baoding 071002,China;School of Applied Mathematics,Beijing Normal University(Zhuhai),Zhuhai 519087,China)

机构地区：[1]河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室,保定071002 [2]北京师范大学珠海分校应用数学学院,珠海519087

出　　处：《南京航空航天大学学报》

基　　金：河北省引进留学人员基金(C20200302)资助项目;河北省科技重点研发计划(19210310D)资助项目;广东省自然科学基金(2018A0303130026)资助项目。

年　　份：2021

卷　　号：53

期　　号：5

起止页码：718-725

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-encoder with an asymmetric structure,ASCAE)的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法(AEC、IEC、DEC和DEN)。

关 键 词：图像聚类 卷积自编码器  特征表示  K-MEANS算法 聚类精度  

分 类 号：TP391]