自适应拓扑张量网络用于多视角子空间聚类
本文提出了一种基于马尔科夫链的谱聚类方法,并利用一种新颖的本质张量学习方法探索了多视角表示的高阶相关性,通过 Tensor Singular Value Decomposition 基于张量核范数以保持本质张量的低秩性,同时减少了计算复杂性,我们还使用张量旋转运算符进一步研究不同视图之间的关系,该方法可以通过交替方向乘子法(ADMM)高效优化,实验结果表明在六个具有不同应用的真实世界数据集上,我们的方法优于其他最先进的方法。
Jul, 2018
本文提出 t-SVD 基于多视角数据的子空间聚类方法,通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明,该方法在多个挑战性图像数据集上表现卓越。
Oct, 2016
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
本研究提出了一种基于核化的多视角自表达聚类方法,通过在新特征空间对转换后的数据进行多线性聚类方法的聚类,解决了在非线性子空间中进行数据聚类的问题,实验结果表明提出的方法具有最新颖的性能。
Sep, 2017
本文提出了一种新的方法来建模三维上下文表示,该方法不仅避免了空间压缩,而且还解决了高秩困难问题。通过引入张量典范 - 解析分解理论,设计了一种低秩到高秩的上下文重构框架,实现了比传统的非局部方法更少百倍计算成本的最新技术。
Aug, 2020
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
本论文介绍了基于 CNN 的文本超分辨率方法,其中包括文本识别、文本先验信息提取和全局注意机制等技术,并通过在 TextZoom 数据集上的实验验证了该方法的良好性能和准确性。
Mar, 2022
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
本研究提出了一种基于张量的子空间聚类和异常分解技术,旨在同时实现高维张量的异常鲁棒降维和聚类。通过结合 Tucker 分解、稀疏异常分解和子空间聚类,提出了一个新的低秩鲁棒子空间聚类分解模型,并通过块坐标下降算法更新参数。实验证明,该方法在模拟研究中相比基准方法在难案例中提高了 + 25% 的聚类准确率,同时通过消融研究分析了三个任务之间的相互关系,并通过基于真实乘客流量数据的车站聚类案例研究发现了有价值的见解。
Apr, 2024