خوشه بندی عمیق تصاویر با رویکرد یادگیری گروهی و ویژگی های چندگانه شبکه های عصبی عمیق

یادگیری عمیق ابزار قدرتمندی در خوشه بندی تصاویر پیچیده و حجیم است. اغلب روش های خوشه بندی عمیق عمل دسته بندی تصاویر را بر اساس بردارهای بازنمایی حاصل از آموزش یک شبکه عصبی عمیق انجام می دهند به طوریکه ویژگی های مستخرج از لایه آخر شبکه مورد ارزیابی نهایی عمل خوشه بندی قرار می گیرد. بهره مندی از ویژگی های معنایی متفاوت حاصل از چندین شبکه عمیق می تواند نقش موثری در بهبود کارایی نتایج خوشه بندی حاصل ایفا کند که تاکنون تحقیقات کمی در این زمینه صورت گرفته است. ما در این مقاله رویکردی مبتنی بر خوشه بندی عمیق گروهی ارائه می کنیم که در آن با پیوند دادن روش های خوشه بندی عمیق و یادگیری گروهی، سعی در استفاده از مزایای شبکه های عصبی عمیق در کنار یکدیگر داریم. در این راستا ابتدا پنج مدل مختلف خودرمزگذار عمیق با لایه های کانولوشنی متعدد آموزش داده می شوند که در هر یک از آنها از رویکرد یادگیری انتقالی نیز جهت افزایش دقت و بهبود عملکرد استفاده می شود. پس از استخراج ویژگی های چندگانه تصاویر توسط مدل های مختلف عمیق، بازنمایی های حاصل خوشه بندی شده و طبق رویکرد یادگیری گروهی نتایج آنها با یکدیگر تجمیع می شود. نهایتا دسته بندی نهایی تصاویر بر اساس اطلاعات مشترک خوشه بندی های پایه صورت می گیرد. نتایج حاصل از اعمال روش پیشنهادی بر روی چهار مجموعه داده استاندارد، نشان دهنده کارایی بهتر و موثرتر روش پیشنهادی نسبت به رویکردهای اخیر خوشه بندی عمیق تصاویر است.