-
题名基于双跨视角相关性检测的多视角子空间聚类
- 1
-
-
作者
郭继鹏
徐世龙
龙家豪
王友清
孙艳丰
尹宝才
-
机构
北京化工大学信息科学与技术学院
北京工业大学信息科学与技术学院
-
出处
《计算机工程》
北大核心
2025年第4期27-36,共10页
-
基金
国家自然科学基金(62403043)
国家资助博士后研究人员计划(GZC20230203)
+1 种基金
中国博士后科学基金(2023M740201)
北京市自然科学基金(4244085)。
-
文摘
随着多媒体和数据采集技术的快速发展,多视角数据越来越常见。相比于单视角数据,多视角数据可以提供更丰富的描述信息,提高样本结构信息的挖掘效率。针对多视角子空间聚类任务,提出基于双跨视角相关性检测的多视角子空间聚类算法。首先,考虑噪声干扰和高维数据冗余性对多视角聚类效果的影响,采用线性投影变换来获得原始数据的低维低冗余潜在表示,并利用其进行自表示学习获得准确的子空间表示。其次,为了充分挖掘多视角数据的互补性信息,对潜在特征表示和子空间表示进行跨视角相关性关系检测,具体为:将多视角潜在特征视为低层次表示,利用希尔伯特-施密特独立性准则(HSIC)探索和保留多视角特征的多样性属性;对于包含一致的高层次聚类结构信息的多视角子空间表示,引入低秩张量约束充分捕获跨视角高阶相关性关系和互补性信息。最后,采用增广拉格朗日乘子交替方向极小化算法求解模型的优化问题。在真实数据上的实验结果表明,与对比方法中的次优方法相比,该算法在6个基准数据集上的聚类准确率分别提高了3.00、3.60、1.90、2.00、7.50和1.90百分点,该结果验证了该算法的优越性和有效性。
-
关键词
多视角子空间聚类
双跨视角相关性检测
低秩张量学习
张量核范数
一致性
互补性
-
Keywords
multi-view subspace clustering
dual cross-view correlation detection
low-rank tensor learning
tensor nuclear norm
consistency
complementarity
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
