使用深度聚类框架，基于结构相似性约束的聚类算法，对无标签目标领域进行无监督域适应任务，能够在图像分类和语义分割领域内的无显式特征对齐的情况下，实现优异表现

Dec, 2020

提出了一种新颖的深度结构和注意力感知子空间聚类方法（DSASC），同时考虑了数据内容和结构信息，通过使用视觉转换器提取特征，并将这些特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。大量实验结果表明，该方法明显优于现有方法。

Dec, 2023

该论文提出了一种结构深度聚类网络（SDCN）方法，它将图卷积网络（GCN）的结构信息整合到深度聚类中，通过自监督学习机制使两种不同的深度神经网络架构统一并指导整个模型更新，进而提高聚类的准确性。

Feb, 2020

介绍了一种新颖的 hierarchical supervision 和 shuffle data augmentation 方法，它通过设计动态双阈值策略产生更合理的监督信号来加强学生网络的训练，并通过洗牌数据增强策略来增强学生网络的功能特征。还展示了该方法在不同的数据集上都表现优异。

Apr, 2023

提出了 SSDBCODI 算法，结合密度聚类和半监督元素，合并异常值检测组件，基于三个分数检测潜在异常值，并生成每个数据实例的实例权重，进一步用于聚类和异常值检测，实验结果表明该算法可以在少量标签的情况下取得优越结果。

Aug, 2022

本文提出了一个加速的分层密度聚类算法，它支持变密度聚类并消除了难以调整的距离尺度参数，提供与 DBSCAN 相当的性能，使得它成为密度聚类的默认选择。

May, 2017

本文提出了一种新颖的端到端深度聚类方法，采用了扩散采样和硬度感知自蒸馏策略（HaDis），通过扩散采样对实例进行对齐以提高簇内紧密度，引入硬度感知自蒸馏机制来提高样本权重的自适应调整能力，同时结合原型对比学习来增强簇间可分性和簇内紧密度，实验证明了 HaDis 方法在五个挑战性图像数据集上相比现有技术具有更优的聚类性能。

Jan, 2024

该论文提出了一种基于密度感知图的半监督学习方法，利用密度信息进行特征学习和标签传播，从而充分利用未标记数据，并在端到端训练中提高性能。

Mar, 2020

提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

May, 2012

提出一种自适应 DBSCAN 算法，用于在密度变化的情况下识别数据聚类，并发挥其噪声消除的能力。

Sep, 2018