无监督系列论文：深度聚类（一）：Deep Clustering for Unsupervised Learning of Visual Features

解决的问题

主要还是无监督图像特征预训练的问题

解决方案

使用卷积网络进行特征提取，然后对这些特征进行聚类，之后聚类产生了伪标签，使用这些进行损失回传，这样就能训练特征提取网络，反复进行特征提取聚类和训练，达到最终效果。

其他细节（防止训练崩溃）

Empty clusters.

就是怎么处理空簇，就是出现空簇的时候随机再把自己另外一个非空簇拆成两个，大约逻辑就是把这个簇的簇心，做一个随机扰动，形成一个新的簇心，之后再把这个非空簇分到这个新簇心和老簇心。

More precisely, when a cluster becomes empty, we randomly select a non-empty cluster and use its centroid with a small random perturbation as the new centroid for the empty cluster. We then reassign the points belonging to the non-empty cluster to the two resulting clusters.

Trivial parametrization.

大约就是指这个聚类聚的太密集了，就是特征提取网络没有很好的提取出特征，后面聚类全都聚在一起了，那就没有太大意义了。所以要有惩罚类别的损失设计，在损失回传的时候，样本少的类别的权重要增加，样本多的类别权重要降低，于是就选择样本数的倒数作为损失权重进行回传。

A strategy to circumvent this issue is to sample images based on a uniform distribution over the classes, or pseudo-labels. This is equivalent to weight the contribution of an input to the loss function in Eq. (1) by the inverse of the size of its assigned cluster.