构建 L2-Graph 用于鲁棒子空间学习与子空间聚类
计算机视觉与模式识别
2017-05-17 v7 多媒体
摘要
在基于图的学习框架下，鲁棒子空间聚类与子空间学习的关键是获得一个好的相似性图，以消除误差的影响并仅保留同一子空间内数据点（即子空间内数据点）之间的连接。近期的工作通过将误差建模到其目标函数中以从输入中去除误差，从而取得了良好的性能。然而，这些方法面临局限性：误差的结构必须事先已知，且必须求解一个复杂的凸问题。在本文中，我们提出了一种从投影空间（表示）而非输入空间消除误差影响的新方法。我们首先证明基于 、、 和核范数的线性投影空间共享子空间内投影支配性（IPD）这一性质，即子空间内数据点上的系数大于子空间间数据点上的系数。基于这一性质，我们引入了一种构建稀疏相似性图的方法，称为 L2-Graph。基于 L2-Graph 开发了子空间聚类和子空间学习算法。实验表明，在准确率、鲁棒性和时间效率方面，L2-Graph 算法在特征提取、图像聚类和运动分割上优于 SOTA 方法。
引用
@article{arxiv.1209.0841,
title = {Constructing the L2-Graph for Robust Subspace Learning and Subspace Clustering},
author = {Xi Peng and Zhiding Yu and Huajin Tang and Zhang Yi},
journal= {arXiv preprint arXiv:1209.0841},
year = {2017}
}