一种结构关系一致的对比聚类方法

作为一项基本的无监督学习任务，聚类旨在将无标签的、混杂的图像数据划分成语义相似的类。最近的一些方法通过引入数据增强，利用对比学习方法学习特征表示和聚类分配，关注模型区分不同语义类的能力，可能导致来自同一语义类样本的特征嵌入被分离的情况。针对以上问题，提出一种结构关系一致的对比聚类方法(Contrastive Clustering with Consistent Structural Relations, CCR),在实例级和聚类级执行对比学习，并且增加关系级别的一致性约束，让模型学习更多来自结构关系的“正数据对”信息，从而减小聚类嵌入被分离所带来的影响。实验结果表明，CCR方法在图像基准数据集上得到了比近年来的无监督聚类方法更优异的结果。模型在CIFAR-10和STL-10数据集上的平均准确度比相同实验设置下的最好方法提升了1.7%,在CIFAR-100数据集上提升了1.9%。