摘要
本研究提出了一种新的聚类方法，即基于教师-学生的深度聚类（TSDC），该方法依赖于内部和内部蒸馏的特征表示。实际上，TSDC从较深的层次到较浅的层次传递知识，从而增强表示的一致性。与依赖于伪标签来改进表示的基于CNN的深度聚类不同，TSDC引入了一个新制定的目标函数，以同时最小化聚类和内部及内部蒸馏的损失。该方法使用基准数据集和相关性能指标进行了严格测试。特别是，采用了一种线性顶层分类器协议来评估TSDC的性能。值得注意的是，TSDC的性能优于现有的深度聚类框架，提高了分类准确率。实证研究结果突显了结合内部和内部蒸馏来丰富特征表示的有效性。在CIFAR-100数据集上观察到了最显著的改进，分类准确率从54.77 ± 0.07提高到57.58 ± 1.85。
