格拉斯曼流形上用于子空间聚类的核化LRR
计算机视觉与模式识别
2016-01-12 v1
摘要
低秩表示(LRR)因其在探索数据中嵌入的低维子空间结构方面的良好功效而近期备受关注。其成功应用之一是子空间聚类，即根据数据所属子空间对数据进行聚类。本文在更高层次上旨在将子空间聚类为子空间类。这自然被描述为格拉斯曼流形上的聚类问题。本文的新颖之处在于将欧氏空间上的LRR推广到格拉斯曼流形上的LRR模型，并采用统一的核化LRR框架。新方法在计算机视觉任务的数据分析中有许多应用。所提模型已在若干实际数据分析应用中评估。实验结果表明，所提模型优于多种最先进的子空间聚类方法。
引用
@article{arxiv.1601.02124,
title = {Kernelized LRR on Grassmann Manifolds for Subspace Clustering},
author = {Boyue Wang and Yongli Hu and Junbin Gao and Yanfeng Sun and Baocai Yin},
journal= {arXiv preprint arXiv:1601.02124},
year = {2016}
}