本研究提出了一种使用深度学习进行无监督非参数聚类的方法，首先利用深度学习进行特征表示和降维，然后在最大边际框架下进行非参数聚类，最后在深信念网络中优化模型参数。实验结果表明我们的方法优于现有竞争方法。

Jan, 2015

本文介绍了一种基于增强版k-means聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在STL-10数据集上获得74.1%的测试准确率以及在MNIST数据集上仅有0.5%的测试误差。

Nov, 2015

在本论文中，我们提出了一种循环框架用于深度表示和图像聚类的联合无监督学习(JULE)。通过在卷积神经网络(CNN)输出的表示层上堆叠聚类算法的连续操作的循环过程，在前向传递中进行图像聚类，在后向传递中进行表示学习。我们的主要想法是将两个过程集成到一个模型中，该模型具有统一加权的三元组损失函数，并进行端到端的优化，从而获得更强大的表示和更精确的图像聚类。在广泛的实验中，该方法在各种图像数据集的图像聚类中表现优于现有技术，并且学习到的表示在转移到其他任务时具有很好的通用性。

Apr, 2016

采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

Jan, 2018

本文介绍了一种新的架构和方法，用于无监督目标识别，自动提取CNN模型中的特征，并将其与基于Hopfield网络的联想记忆库结合使用，消除了监督深度学习中的反向传播，提供了良好性能。

May, 2018

本文介绍了DeepCluster，一种聚类方法，它能够联合学习神经网络的参数和聚类分配，并应用于卷积神经网络在大型数据集上的无监督训练，取得了显著的性能提升。

Jul, 2018

该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

Aug, 2019

本文提出一种两步法的图像无监督分类方法，通过自我监督学习获取具有语义意义的特征，然后将其作为可学习聚类方法的先验，达到优化图像聚类的效果。实验证明，该方法大幅优于现有最先进方法，并在大规模图像分类数据集ImageNet上取得了有希望的结果。

May, 2020

本研究提出了一种无监督图像分类框架, 旨在通过不使用嵌入聚类来简化和优化深度聚类算法, 并在ImageNet数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

本篇论文讲述了一种基于预训练特征提取器，通过自蒸馏训练聚类头来学习无标签图像分类的通用方法，并介绍了一种新的目标函数，利用一种变体的点间互信息和实例加权来学习图像之间的关联，以提高聚类准确性。最终使用自监督预训练视觉Transformer推进了在ImageNet上的聚类精度达到61.6％。

Mar, 2023