面向聚类分析的深度多视图联合学习
计算机视觉与模式识别
2018-11-26 v2
摘要
本文提出一种新颖的深度多视图聚类联合框架(DMJC)，其中多个深度嵌入特征、多视图融合机制与聚类分配可同时学习。我们的核心思想是，联合学习策略能够充分利用利于聚类的多视图特征与有用的多视图互补信息来提升聚类性能。如何在此类联合框架中实现多视图融合是主要挑战。为此，我们在所提框架下设计了两种精巧的深度多视图联合聚类模型变体，通过两种不同的方案实现多视图融合。第一个模型称为DMJC-S，通过一种新颖的多视图软分配分布以隐式方式进行多视图融合。第二个模型称为DMJC-T，定义了一种新颖的多视图辅助目标分布以显式方式进行多视图融合。DMJC-S与DMJC-T均在类KL散度的聚类目标下优化。在六个具有挑战性的图像数据集上的实验证明了DMJC-S与DMJC-T相对于单视图/多视图基线以及最先进的多视图聚类方法的优越性，验证了所提DMJC框架的有效性。据我们所知，这是首项在深度联合框架中对多视图聚类进行建模的工作，将为无监督多视图学习提供有意义的思路。
引用
@article{arxiv.1808.06220,
title = {Jointly Deep Multi-View Learning for Clustering Analysis},
author = {Bingqian Lin and Yuan Xie and Yanyun Qu and Cuihua Li and Xiaodan Liang},
journal= {arXiv preprint arXiv:1808.06220},
year = {2018}
}
备注
10 pages, 4 figures