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
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
本文针对在多视角数据的部分视角缺失下进行聚类的问题,提出了一种名为 LSIMVC 的简洁、高效的方法,其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型,从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。
Aug, 2022
本研究提出了一种新颖的多视图子空间聚类方法,其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架,结合多视角数据和谱聚类学习一致性亲和矩阵,解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明,该方法表现优于现有的聚类方法。
May, 2022
提出了一种多视角聚类方法,它使用矩阵分解实现低复杂度且高效率的多视角聚类,并在自我监督学习的基础上利用多样的表示方法,避免二阶段过程,在多维度下开展信息聚合,并使用 $k$-means 进行统一聚类,得出了在各种数据集上优越的聚类性能表现。
Jun, 2023
提出一种线性复杂度的大规模多视图子空间聚类算法,通过锚图的概念学习每个视图的较小的图形,将它们集成在一起并在较小的图形上实现谱聚类,该方法验证有效性和有效性。
Nov, 2019
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
提出了一种名为 OS-LFMVC-CS 的一步式后融合多视图聚类框架,通过使用一致子空间对齐分区矩阵和优化分区融合,利用融合的分区矩阵指导离散标签的学习,在验证了收敛性的基础上,提出了一种六步迭代优化方法,实验证明了该方法的有效性和高效性。
Jan, 2024
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