Resumen

El clustering de imgenes es un procedimiento complejo, que se ve afectado significativamente por la eleccin de la representacin de la imagen. La mayora de los mtodos de clustering de imgenes existentes tratan el aprendizaje de la representacin y el clustering por separado, lo que suele acarrear dos problemas. Por un lado, las representaciones de imagen son difciles de seleccionar y las representaciones aprendidas no son adecuadas para la agrupacin. Por otro lado, implican inevitablemente algn paso de clustering, que puede conllevar algn error y perjudicar los resultados del clustering. Para abordar estos problemas, presentamos un nuevo mtodo de clustering que construye eficientemente una representacin de la imagen y descubre con precisin las asignaciones de cluster. Para ello, la tarea de clustering de imgenes se considera un problema de clasificacin binaria por pares con preservacin de la estructura local. En concreto, proponemos aqu un enfoque para el clustering de imgenes basado en un autoencoder totalmente convolucional y un clustering adaptativo profundo (DAC). Para extraer la representacin esencial y mantener la estructura local, se aplica un autocodificador totalmente convolucional. Para manipular la caracterstica al espacio de clustering y obtener una representacin adecuada de la imagen, el algoritmo DAC participa en el entrenamiento del autoencoder. Nuestro mtodo puede aprender una representacin de imagen adecuada para la agrupacin y descubrir la etiqueta de agrupacin precisa para cada imagen. Una serie de experimentos de clustering de imgenes del mundo real verifican la eficacia del algoritmo propuesto.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Clustering de imágenes; Aprendizaje de representación; Método de clustering; Representación de imágenes; Clustering adaptativo profundo; Autoencoder totalmente convolucional.
• Keywords:Image clustering; Representation learning; Clustering method; Image representation; Deep adaptive clustering; Fully convolutional autoencoder