综述：基于深度学习的图像聚类综合综述

《Pattern Recognition》：A Comprehensive Survey of Image Clustering Based on Deep Learning

本综述系统梳理了基于深度学习（Deep Learning）的图像聚类（Image Clustering）最新研究进展，重点围绕自监督学习（Self-supervised Learning）和半监督学习（Semi-supervised Learning）两大范式，剖析了其在特征表示学习和聚类过程优化中的核心作用。文章通过首次全面的灰度与彩色图像数据集实验对比，揭示了各算法的优劣，并为动态聚类、增量学习等未来挑战性方向提供了前瞻性指导。

　　

Image Clustering Based on Deep Self-supervised Learning

深度神经网络（Deep Neural Networks）的性能在很大程度上依赖于训练数据的规模，然而标注大规模数据集的成本通常很高。为了缓解这一挑战，自监督学习（Self-supervised Learning, SSL）作为一种有前景的解决方案应运而生。SSL的核心思想是设计前置任务（pretext tasks），从数据本身生成监督信号，而不依赖于人工标签，从而指导网络学习有意义的表示（representations）。

Performance Comparison and Analysis

本节评估和比较了代表性的图像聚类方法，以更好地理解它们的特性。首先介绍了常用的图像数据集，接着总结了广泛采用的评估指标，最后详细分析了实验结果，为不同方法的性能提供了深入见解。

Autonomous Driving

自主驾驶（Autonomous Driving）旨在提高道路安全、减少拥堵并支持智能交通系统。一个关键挑战是适应新的或未见过的道路场景，例如不熟悉的交通标志或罕见的行人行为。这些场景通常缺乏标注数据，特别是对于长尾类别（如动物或踏板车），这限制了监督学习模型在现实世界应用中的有效性。基于深度学习的图像聚类提供了一种有前景的无监督方法，用于自动发现和归类这些未见过的场景或对象，从而增强自主驾驶系统在开放环境中的适应性和鲁棒性。

Challenges and Future Research

尽管当前基于深度学习的图像聚类方法在大规模、高维数据集上相比传统聚类算法已展现出显著的性能优势，但仍存在一些局限性需要进一步探索和改进。这些局限性包括处理动态数据流、实现增量学习（Incremental Learning）以及在没有先验知识的情况下预测未知的聚类数量等挑战。未来的研究需要关注如何使聚类模型更具可扩展性、自适应性和通用性。

Conclusion

本文基于自监督学习和半监督学习，对基于深度学习的图像聚类方法进行了系统概述，对近期相关研究进行了分类和详细分析。在基于自监督学习的方法中，这些方法被进一步分为三类：自训练（self-training）、对比学习（contrastive learning）和伪标签（pseudo-label）。对于基于半监督学习的方法，策略被分为基于约束（constraint-based）和基于标签（label-based）的方法。文章通过实验比较分析了代表性方法，并讨论了当前挑战及未来的潜在研究方向。