30、TSC - GCN：基于图卷积神经网络的高效人脸聚类方法

TSC - GCN：基于图卷积神经网络的高效人脸聚类方法

在人脸聚类领域，传统的监督式人脸聚类方法虽然被证明具有一定的有效性，但存在计算开销大的问题。为了解决这一问题，一种名为TSC - GCN（Two - Stage Clustering Method Based on Graph Convolutional Neural Network）的方法被提出，它在提高计算效率的同时，还能保证较好的聚类精度。

1. 现有方法概述

在人脸聚类方面，已经有多种方法被提出：
- Conditional Pairwise Clustering ：将聚类问题定义为条件随机场，并利用人脸之间的成对相似度来完成聚类。
- 球簇学习（Ball Cluster Learning） ：将特征空间划分为等半径的球，每个球代表一个簇，同时对球之间的关系进行约束。
- 基于链接预测的图卷积人脸聚类算法 ：使用GCN捕获人脸数据的局部上下文，准确判断人脸对的链接可能性。
- 双GCN模块设计 ：分别用于检测高质量的簇提议并消除其中的噪声，以获得高质量的聚类结果。

然而，这些监督式人脸聚类方法都需要生成大量子图进行连通性学习，导致计算开销较大。而TSC - GCN方法通过按密度划分人脸数据，仅预测低密度部分的连通性，高密度部分自然连通，从而在保证精度的同时加快了运算速度。

2. TSC - GCN方法详解

2.1 问题描述

随着神经网络的发展，特征提取能够提取