类锚聚类：基于距离的损失，用于训练开放集分类器 类锚聚类（CAC）损失是一种完全基于距离的损失，明确鼓励训练数据在logit空间中围绕类依赖的锚点周围形成紧密的聚类。 该存储库包含本文中的培训和评估代码： 类锚聚类：基于距离的损失，用于训练开放集分类器 Dimity Miller，Niko Suenderhauf，Michael Milford，Feras Dayoub 在2021年IEEE / CVF计算机视觉应用（WACV）冬季会议上发布。 如果您使用本作品，请引用： @inproceedings{millerclass, title={Class Anchor Clustering: A Loss for Distance-Based Open Set Recognition}, author={Miller, Dimity and Suenderhauf, Nik

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。