神经归一化割聚类器

超大规模可扩展

直接用神经网络学习聚类成员关系，无需特征分解和k-means后处理，可泛化到未见的超大样本数据。

Wei, He · Zhang, Shangzhi · 李春光 · Qi, Xianbiao · Xiao, Rong · 郭军

Pattern Recognition 2025

技术优势

不用特征分解

直接用神经网络参数化簇成员关系，避免了计算代价高昂的谱嵌入步骤。

能泛化到新数据

训练好的网络可直接对未见样本推断簇成员关系，无需重新分解或重训练。

处理超大规模

随机梯度下降优化放宽的归一化割损失，使聚类任务能扩展到超大规模数据。

去掉后处理

学到的聚类成员关系直接可用，避免了k-means量化步骤。

应用场景

• 大规模数据聚类：直接端到端聚类，不必算特征分解，适合千万级样本。
• 图分割：用归一化割目标学到软分配，可切分超大规模图。
• 图像分割：直接输出像素簇标签，适合做图像区域分割。