Aug, 2019

多视角深度子空间聚类网络

PDF
TL;DR通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN)，并借助多元深度自显式矩阵 (self-representation matrix) 来学习，该模型可用于探测互补信息以有助于提取内在的结构，并且优于其他的多特征、多模态学习模型。
multi-viewsubspace clusteringdeep learningself-representation matrixdiversity regularization
发现论文，激发创造
  • 大规模数据的高效、有效的多视角子空间聚类

    在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。

    Oct, 2023

  • 基于锚点的多视图子空间聚类与层次特征下降

    基于层次特征下降的锚点多视角子空间聚类方法 (MVSC-HFD) 通过类似性空间 (STAGE 2) 中的统一采样策略，以线性时间代价进一步降低计算复杂度，并通过子空间聚类 (STAGE 3) 来共同学习表示，从而在公共基准数据集上广泛实验表明，我们提出的模型始终优于现有技术的最新成果。

    Oct, 2023

  • 多层图方法用于深度子空间聚类

    深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。

    Jan, 2024

  • 锚图深度多视角子空间聚类

    本文提出了一种基于锚图、伪标签和对比学习的深度多视图子空间聚类方法，通过独立学习每个视图的特征并在集成锚图上执行谱聚类来解决现有方法存在的问题，实验结果表明其在真实世界数据集上具有优越的聚类性能。

    May, 2023

  • 增强的潜在多视角子空间聚类

    提出了增强的潜在多视图子空间聚类方法 (ELMSC)，该方法通过构建增广数据矩阵来增强多视图数据的表示，以实现完全恢复潜在空间表示，并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明，我们的方法在真实数据集上具有比某些最新的多视图聚类方法更高的聚类性能。

    Dec, 2023

  • 自监督卷积子空间聚类网络

    提出了一种称为自监督卷积子空间聚类网络（S^2ConvSCN）的端到端可训练框架，该框架将 Convolutional Neural Network 模块（用于特征学习），自我表达模块（用于子空间聚类）和谱聚类模块（用于自我监督）组合到联合优化框架中，实现了同时的特征学习和子空间聚类。

    May, 2019

  • 一种全能的新型大规模多视角聚类的双空间共训练基准线

    通过在两个不同的空间中进行共训练，提出了一种名为 DSCMC 的新型多视图聚类模型，以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构，并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化，从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度，在大规模数据集上应用非常成功。通过实验证实，与现有方法相比，我们的方法显著降低了计算复杂度并获得了更好的聚类性能。

    Jan, 2024

  • 多视图子空间学习的深度共注意力网络

    本研究提出了一种基于深度学习的共同关注网络，用于多模态数据的子空间学习，能够提取共性信息和补充信息，并通过协同关注机制向最终用户提供预测的解释。通过引入分类器和交叉重构损失以优化潜在表示和加速收敛速度，最终在合成数据和实际数据集上进行了广泛评估。

    Feb, 2021

  • 深度嵌入多视角聚类与协同训练

    本文提出了一种深度嵌入式多视图聚类方法，其中包括对多视图的共识和互补性的考虑以及一种新的协作训练方案，并针对多视图聚类性能进行了实验性结果分析。

    Jul, 2020

  • 深度子空间聚类的多层表示学习

    本文提出了一种利用卷积自编码器将图像转化为线性子空间并进行深度子空间聚类的新方法，通过在编码器和解码器之间插入多个线性层和一个新型的损失函数来提高模型性能。实验结果表明，该方法在多个真实数据集上均显著超越同类方法。

    Jan, 2020