用聚类方法结合卷积网络，实现无监督端到端图像分类

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。

今天想跟大家分享一篇论文、

论文：Deep Clustering for Unsupervised Learning of Visual Features

推荐理由：

看摘要就觉得这个论文很有实用价值！！！

摘要

在计算机视觉领域，聚类是一种被广泛应用和研究的无监督学习方法，但几乎未在大规模数据集上的视觉特征端到端训练中被采用过。在本文中，我们提出了深度聚类（DeepCluster），这是一种结合学习神经网络参数与获取特征的聚类分配的聚类方法。深度聚类使用标准的聚类算法 k-means 对特征进行迭代分组，随后使用赋值作为监督来更新网络的权重。我们将深度聚类应用于 ImageNet 和 YFCC100M 这样的大型数据集上的卷积神经网络的无监督训练。最终模型在所有基准性能中都远远优于目前的技术。

创新点和贡献

(1) 提出一种新的无监督方法来实现卷积网络的端到端学习，这种方法可以使用任何标准的聚类算法，比如 k-means或层次聚类等，并且只需要很少的额外步骤；
(2) 在使用无监督学习的许多标准迁移任务中达到当前最佳水平；
(3) 对未处理的图像分布进行训练时，表现优于先前的最先进技术水平；
(4) 讨论了无监督特征学习中的目前评估方案。

论文地址

https:///abs/1807.05520v1

图 1：本文提出方法的图示：对深层特征进行迭代地聚类，并使用聚类赋值作为伪标签来学习卷积网络的参数。

大体的思路如上图所示

这个方法非常应用的前景非常广（仅代表个人观点）

1、突破传统的图像分类的数据集制作方式（人工标注）

2、面对互联网时代，数据量每天都是爆炸式的增长，人工的方式根本不科学

3、将深度学习与传统的机器学习结合，表现得更加高大上