深度子空间聚类的多层表示学习

Jan, 2020

Multi-Level Representation Learning for Deep Subspace Clustering

Mohsen Kheirandishfard, Fariba Zohrizadeh, Farhad Kamangar

TL;DR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。

Abstract

This paper proposes a novel deep subspace clustering approach which uses convolutional autoencoders to transform input images into new representations lying on a union of →

deep subspace clustering convolutional autoencoders linear subspaces loss minimization iterative scheme

发现论文，激发创造

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

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

深度多模态子空间聚类网络

本文提出了一种基于卷积神经网络的无监督多模态子空间聚类方法，包括三个主要阶段：多模态编码器、自表示层和多模态解码器。对于空间融合，探究了早期、中期和晚期融合技术，并提出了三种相应的编码器。在三个数据集上进行了广泛的实验，结果表明这些方法明显优于现有的多模态子空间聚类方法。

Apr, 2018

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

多视角深度子空间聚类网络

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。

Aug, 2019

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

深度判别潜空间聚类

本研究提出优化自动编码器的磨损和判别力对数的预训练阶段，以获得更高的聚类准确性和更快的收敛速度。

May, 2018

深度双重自表达子空间聚类

本文提出了一种双自表达子空间聚类算法，利用自表达系数构建相似度矩阵进行谱聚类，并提出了基于对比学习的自监督模块，该算法在多个基准数据集上实现了比现有方法更好的聚类表现。

Jun, 2023

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

利用全卷积自编码器增强图像聚类的区分性

引入全卷积自编码器的图像特征学习和基于全卷积自编码器和软 k 均值分数的统一聚类框架，通过采用增强式判别分布，逐步提高聚类准确度，实验结果表明，该方法在多个视觉基准数据集上达到了最先进的性能。

Mar, 2017