公开(公告)号：CN114332847B

公开(公告)日：2025-04-25

申请号：CN202210006799.X

申请日：2022-01-05

Applicant: 安徽大学

Inventor： 周芃 ,  孙必成 ,  李学俊

IPC: G06V20/64 ,  G06V10/762 ,  G06V10/774

Abstract: 本发明属于图像聚类领域，具体涉及一种基于主动选择约束的深度图像聚类方法、系统、装置。包括如下步骤：S1：构建包含两个共享权重的子网络的孪生网络；S2：在孪生网络后增加一个聚类网络进而得到所需的深度图像聚类模型；S3：获取多个原始图像，构成所需的数据集；S4：随机选择数据集中样本图像，人工添加约束信息后依次输入到深度图像聚类模型中完成聚类处理；S5：根据数据集中所有样本的对应的聚类结果，主动选择各个类别中具有弱链接关系的样本图像构建成对约束，重新聚类；S6：设定迭代次数对网络模型进行迭代训练。本发明解决了现有半监督聚类方法的数据集中样本间的成对约束质量难以保证，进而导致聚类精度差等问题。

公开(公告)号：CN114332847A

公开(公告)日：2022-04-12

申请号：CN202210006799.X

申请日：2022-01-05

Applicant: 安徽大学

Inventor： 周芃 ,  孙必成 ,  李学俊

IPC: G06V20/64 ,  G06N3/08 ,  G06K9/62 ,  G06V10/762 ,  G06V10/774

Abstract: 本发明属于图像聚类领域，具体涉及一种基于主动选择约束的深度图像聚类方法、系统、装置。包括如下步骤：S1：构建包含两个共享权重的子网络的孪生网络；S2：在孪生网络后增加一个聚类网络进而得到所需的深度图像聚类模型；S3：获取多个原始图像，构成所需的数据集；S4：随机选择数据集中样本图像，人工添加约束信息后依次输入到深度图像聚类模型中完成聚类处理；S5：根据数据集中所有样本的对应的聚类结果，主动选择各个类别中具有弱链接关系的样本图像构建成对约束，重新聚类；S6：设定迭代次数对网络模型进行迭代训练。本发明解决了现有半监督聚类方法的数据集中样本间的成对约束质量难以保证，进而导致聚类精度差等问题。