信息融合：子空间驱动方法的扩展
机器学习
2022-04-27 v1 计算机视觉与模式识别
摘要
本工作中，我们试图利用多模态数据的深层结构，借助卷积神经网络（CNN）形式稳健地发掘信息的分组子空间分布。在展开构成各数据模态的子空间集合并学习其相应编码器后，对所生成固有信息进行优化整合，以得到各类别的表征。这一被称为深度多模态鲁棒分组子空间聚类（DRoGSuRe）的方法，与独立发展的前沿方法深度多模态子空间聚类（DMSC）进行比较。在不同多模态数据集上的实验表明，我们的方法具有竞争力，且在噪声存在时更为鲁棒。
引用
@article{arxiv.2204.12035,
title = {Information Fusion: Scaling Subspace-Driven Approaches},
author = {Sally Ghanem and Hamid Krim},
journal= {arXiv preprint arXiv:2204.12035},
year = {2022}
}