发表于CVPR2021，无监督语义分割，使用聚类伪标签和交叉熵损失，同时使用数据增强，利用增强不变性，提高模型泛化性，使模型不关注噪声。
111
发表于Vicinagearth 2024，从先验的角度看深度聚类方法，(a)结构先验：数据结构可以反映实例之间的语义关系。(b)分布先验：来自不同集群的实例遵循不同的数据分布。(c)增强不变性：由相同实例增强的样本具有相似的特征。(d)邻域一致性：相邻的样本具有一致的聚类分配。(e)伪标签：具有高可信度的聚类分配很可能是正确的。(f)外部知识：在开放世界的数据和模型中存在大量有利于聚类的知识。
112
发表于Information Fusion 2023。
113
发表于TCSVT 2024。
114
发表于IEEE Transactions on Neural Networks and Learning Systems 2023，提出了DAFC来自动分组图像，得到的迭代优化问题可以通过小批量RMSprop和反向传播而不是SGD有效地解决，可以学习一个更聚类友好的瓶颈空间。
115
发表于Pattern Recognition 2023，基于深度学习的图像伪造检测综述。
117
发表于IEEE Transactions on Fuzzy Systems 2019，提出了深度模糊k-means（DFKM），具有加权自适应损失函数的FKM。
118
发表于JCR一区、CCF B类期刊的Pattern Recognition 2024，提出了一种新的边界引导图像篡改定位模型，该模型通过精心设计的注意力和对比学习机制充分利用被篡改区域的边界信息，利用拉普拉斯正则化方法对隶属度矩阵进行约束，使从相似样本中学习到的隶属度也相互关联，将自适应损失函数引入到统一的框架中，可以减少各种异常值的影响，有助于增强聚类的鲁棒性。
119
发表于PR 2021。
120