深度子空间聚类网络
计算机视觉与模式识别
2017-09-11 v1
摘要
我们提出了一种用于无监督子空间聚类的新型深度神经网络架构。该架构建立在深度自编码器之上，能够将输入数据非线性地映射到潜在空间。我们的核心思想是在编码器和解码器之间引入一个新颖的自表达层，以模仿在传统子空间聚类中被证明有效的“自表达”特性。由于具有可微性，我们的新自表达层提供了一种简单而有效的方法，通过标准的反向传播过程学习所有数据点之间的成对亲和度。由于具有非线性，我们基于神经网络的方法能够对具有复杂（通常是非线性）结构的数据点进行聚类。我们进一步提出了预训练和微调策略，使我们能够有效地学习子空间聚类网络的参数。实验表明，所提方法显著优于最先进的无监督子空间聚类方法。
引用
@article{arxiv.1709.02508,
title = {Deep Subspace Clustering Networks},
author = {Pan Ji and Tong Zhang and Hongdong Li and Mathieu Salzmann and Ian Reid},
journal= {arXiv preprint arXiv:1709.02508},
year = {2017}
}
备注
Accepted to NIPS'17