Abstract

翻译

在本文中，我们提出了一种名为对比聚类（Contrastive Clustering， CC）的单阶段在线聚类方法，它执行的是实例级和簇级对比学习。具体来说，对于一个给定的数据集，通过数据增广来构建正负例对，然后将其投影到特征空间中。在那里，实例级和簇级对比学习分别在行列空间中进行——通过最大化正对的相似性同时最小化负对的相似性。我们重点观察：特征矩阵的行可以被视为实例的软标签，相应地，列可以被进一步视为聚类表示。通过同时优化实例和簇级对比损失，模型便可以以端到端的方式同时学习表示和聚类分配。大量实验结果表明，CC在六个具有挑战性的图像基准测试中显着优于17种竞争聚类方法。特别地，CC在CIFA