ICCVAug, 2019

深度闭式子空间聚类

PDF
TL;DR本文提出了一种新型深度子空间聚类模型，名为 Deep Closed-Form Subspace Clustering (DCFSC)，通过使用无参数的、基于浅层自编码器的非线性映射得出数据驱动的自表示层，相较于之前的方法具有更好的解决大规模数据集聚类的能力。
deep closed-form subspace clusteringnon-linear mappingshallow auto-encoder
发现论文，激发创造
  • 深度稀疏子空间聚类

    本文提出了一种深度扩展的稀疏子空间聚类方法，称为深层稀疏子空间聚类（DSSC）。通过神经网络的非线性变换，DSSC 不仅满足了 SSC 的稀疏性原则，还同时满足了学习深度特征的单位球分布假设。实验证明 DSSC 在四个真实世界数据集上具有明显优势，是目前为止最好的基于深度学习的子空间聚类方法之一。

    Sep, 2017

  • 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

  • 深度子空间聚类网络

    本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构，其中引入了一种自相似层，以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类，并且在实验中表现出优于现有方法的性能。

    Sep, 2017

  • 自表达深度子空间聚类的批判

    本文研究了利用神经网络学习的嵌入空间进行子空间聚类的问题，提出了现有方法存在的一些潜在问题，并通过实验验证了以前的性能表现不完全是由于深度子空间聚类模型本身而产生的。

    Oct, 2020

  • 基于 k - 分解的大规模子空间聚类

    本文介绍了一种名为 k-Factorization Subspace Clustering (k-FSC) 的方法，用于大规模子空间聚类。该方法通过追求矩阵分解模型中的结构稀疏性，直接将数据因式分解成 k 组，从而避免了学习亲和矩阵和进行特征值分解，能够在大数据集上实现低时间和空间复杂度，并能够处理噪声、离群值和缺失数据。实验证明，k-FSC 和其扩展版本优于现有的子空间聚类方法。

    Dec, 2020

  • 深层结构和注意力感知的子空间聚类

    提出了一种新颖的深度结构和注意力感知子空间聚类方法（DSASC），同时考虑了数据内容和结构信息，通过使用视觉转换器提取特征，并将这些特征分为结构特征和内容特征，用于学习更高效的子空间结构进行谱聚类。大量实验结果表明，该方法明显优于现有方法。

    Dec, 2023

  • 神经协作子空间聚类

    研究介绍了神经协同子空间聚类，一种无需谱聚类辅助即可发现低维子空间中数据点集簇的神经模型。关键在于分类器的构建和两个相关矩阵的协同训练。与其他聚类算法相比性能更优。

    Apr, 2019

  • 可扩展的 $k$ 子空间深度聚类

    本文提出了一种利用深度神经网络中的子空间共同学习嵌入空间，以最小化重建误差来解决子空间聚类问题的方法，从而无需通过亲和矩阵来执行聚类，大大提高了聚类准确性并降低了内存占用。

    Nov, 2018

  • 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

  • 自监督的深度聚类与点对相似度

    使用成对相似度的自监督方法提出了一种新颖的深度聚类框架（DCSS），通过形成类似于高维球的相似数据点的群体，并在聚类特定损失下训练自编码器，在自编码器的潜空间中形成超球体，使用自编码器第一阶段得到的潜空间作为第二阶段的输入，通过成对相似度方法在 K 维空间中进行聚类，实验结果表明两个阶段的有效性。

    May, 2024