本文介绍了多种基于深度学习的无监督子空间聚类方法，如深层稀疏子空间聚类（DSSC）和深闭式子空间聚类（DCFSC）。这些方法通过优化自编码器和引入新颖的相似性学习框架，显著提高了聚类准确性和性能，尤其在复杂数据结构处理上表现优异。实验结果显示，这些新方法在多个数据集上优于现有聚类算法。

该研究提出了一种以人工智能为驱动的解决方案，用于在低分辨率遥感图像中精确识别飞机，特别是用于战斗识别。该方法利用相似性学习区分军用和民用飞机的特征，并通过度量学习识别不同类型的飞机。同时，提出了一种适应军用飞机识别的端到端框架，有效应对遥感数据的挑战，提高数据集质量。

本文介绍了相似性学习及其在机器学习中的应用，特别是使用Quaterion框架进行微调。Quaterion基于PyTorch Lightning，提供可训练模型、内置损失函数和数据加载器，简化了相似性学习的过程。通过斯坦福汽车数据集，展示了如何分开训练和测试集，以测试模型对新类别的识别能力。经过微调的模型在检索精度上显著提升。