Deepcluster
Deep Clustering for Unsupervised Learning of Visual Features
链接：Deepcluster
使用聚类算法产生标签（pseudo-labels）指导分类器分类。聚类算法和分类器使用同一个feature extractor。
DeeperCluster
Deep cluster + self-supervise( 预测旋转角度)
算法流程如下：
1.最终目的是要训练出来一个好的特征提取网络。所以，先要初始化一个未训练的特征提取网络，用来提取图片feature。
2.用k-means对所有图片（未旋转）的feature进行聚类（clustering），分成m个大类。（每张未旋转的图片有了一个大类的标签）
3.对m个大类进行扩展：用“旋转角度的类型”（4种）和“m个大类“计算笛卡尔乘积，得到4m个新的大类。每张经过旋转的图片，只属于4m个大类里面的一个类型。（每张经过旋转的图片有了一个大类的标签）
4.4m个大类的每个类，再分别使用k-means对属于本类中的图片的feature进行聚类，分成k个子类。（每张经过旋转的图片，在一个大类下面，又有了一个子类的标签）
5.构建1个大类的分类器（4m个大类），每个大类下面再构造1个子类分类器（4个子类），总共1 + 4m个分类器。所有分类器分成两部分：特征提取网络，分类网络。不同分类器的特征提取网络是共享的，分类网络各不相同。然后用Deeper Clustering loss来训练，训练T个epochs。
6.T个epochs后，重新回到第2步。
