多视图低秩回归闭式解

AAAIOct, 2016

A Closed Form Solution to Multi-View Low-Rank Regression

Shuai Zheng, Xiao Cai, Chris Ding, Feiping Nie, Heng Huang

TL;DR在计算机视觉中，我们可以使用像素强度、颜色、HOG、GIST 特征、SIFT 特征等不同的图像特征来描述图像。本文提出了一种多视角低秩回归模型，通过对多视角回归模型施加低秩约束，提供了多视角低秩回归模型的闭合解决方案，并在 4 个多视角数据集上进行广泛的实验，结果表明，多视角低秩回归模型优于单视角回归模型，并揭示了多视角低秩结构的辅助作用。

Abstract

Real life data often includes information from different channels. For example, in computer vision, we can describe an image using different image features, such as pixel intensity, color, HOG, GIST feature, SIFT features, etc.. These different aspects of the same objects are often cal

multi-view data low-rank regression model multi-modal computer vision image features

发现论文，激发创造

基于结构化低秩矩阵分解的多视角谱聚类

本文提出了一种结构化的 LRR 方法，通过因式分解成低维数据聚类表示，对每个视图进行数据聚类结构的表征，并在 laplacian 正则化器的作用下保留了每个视图的灵活的本地流形结构和迭代多视图一致性策略，通过最小化优化过程中所有因子化潜在数据聚类表示之间的发散目标，其中每个视图的此类潜在表示用于调节其他视图的表示，以协调所有视图的一致性，并在真实世界的多视图数据集上进行了广泛的实验，表明其优于现有技术水平。

Sep, 2017

多视角聚类的共享生成潜在表示学习

本文提出了一种基于共享生成潜在表征的多视角聚类方法，通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能，并在多个不同规模的数据集上得到了优于现有方法的实验结果。

Jul, 2019

多视点模糊表示学习与基于规则模型

一种基于可解释的 Takagi-Sugeno-Kang 模糊系统的多视图模糊表示学习方法被提出，该方法从两个方面实现多视图表示学习：将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息；基于 L_(2,1)-norm 回归的新的正则化方法被提出以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构；通过对多个基准多视图数据集进行广泛实验验证了该方法的优越性。

Sep, 2023

基于低秩特征的双变换矩阵学习用于图像分类

本文提出了一种基于隐含低秩特征提取的双重转换矩阵学习方法，通过在两个方向上将学习的主要和显著特征共同投影到标签空间中，从而避免了单个转换矩阵在处理数据时太过严格所限制的灵活性。实验表明，我们的方法对于处理分类任务特别是在复杂情景下的样本降维有着良好的效果。

Jan, 2022

学习低秩模型混合物

本文研究学习低秩模型的问题，提出了一种三阶段元算法来解决未标记的异构数据和低复杂度结构带来的非凸性问题，并且可证明其稳定性。

Sep, 2020

结构化模型中的低秩约束用于快速推理

本文提出一种简单的方法，通过将中心推理步骤视为矩阵向量积并使用低秩约束，以降低大类结构模型的计算和内存复杂度。使用神经参数化结构模型进行语言建模，多声部音乐建模，无监督语法归纳和视频建模的实验表明，我们的方法与大型状态空间的标准模型具有相同的准确性，同时提供了实际的加速。

Jan, 2022

通过保证低秩矩阵估计对大数据的结构进行利用

低秩建模在信号处理和机器学习中扮演着关键的角色，本文综述了利用凸和非凸方法对低秩矩阵估计进行计算上高效可证的方法，其中包括对低维子空间和流形的适当利用及其对计算和存储成本的显著降低。

Feb, 2018

基于卫星图像的房地产评估的多视角学习策略比较

本文介绍了关于多视图学习方法在房地产评估方面的应用，同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究，并得出多视图神经网络预测性能最好，但是也存在不透明的 “黑匣子” 模型的缺点，因此建议使用混合多视图神经网络或 Boosting 策略作为替代方案。

May, 2021

多视角低秩稀疏子空间聚类

本研究提出了一种多视角子空间聚类算法，该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示，采用了重要的低秩和稀疏性约束，通过交替方向乘子法求解相关的优化问题，进一步扩展到非线性子空间，并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。

Aug, 2017

迭代视图协议：基于迭代低秩结构优化方法的多视角谱聚类

本文提出了一种多图拉普拉斯正则化的低秩表示方法来解决多视图谱聚类问题，该方法不仅在保持本地流形结构方面具有很好的性能，而且还能逐步使不同视图更加一致。在真实世界的多视图数据集上的广泛实验证明了其优越性。

Aug, 2016