注意力多视角深度子空间聚类网络
计算机视觉与模式识别
2021-12-24 v1 机器学习
摘要
本文提出一种新颖的注意力多视角深度子空间网络（AMVDSN），该网络从多个视角中深度挖掘潜在的一致性与视角特有信息，并通过注意力机制获得的各视角动态贡献对其进行融合。与大多数多视角子空间学习方法直接在原始数据上重建数据点，或仅在深度或浅层空间学习表示时只考虑一致性或互补性不同，我们所提方法旨在寻找一个联合潜在表示，其显式地同时考虑多视角间的一致性与视角特有信息，随后在学到的联合潜在表示上执行子空间聚类。此外，不同视角对表示学习的贡献各异，因此我们引入注意力机制为每个视角推导动态权重，其在多视角子空间聚类领域的表现远优于以往的融合方法。由于采用神经网络框架，所提算法直观且可仅通过随机梯度下降（SGD）轻松优化，相较于传统子空间聚类方法也具备更强的非线性刻画能力。在七个真实数据集上的实验结果证明了我们所提算法相对于若干最先进子空间学习方法的优越性。
引用
@article{arxiv.2112.12506,
title = {Attentive Multi-View Deep Subspace Clustering Net},
author = {Run-kun Lu and Jian-wei Liu and Xin Zuo},
journal= {arXiv preprint arXiv:2112.12506},
year = {2021}
}