多层图方法用于深度子空间聚类
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
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。
Aug, 2019
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
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
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
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
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
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