拉普拉斯正则化低秩子空间聚类
计算机视觉与模式识别
2016-10-31 v2
摘要
本文考虑了将子空间并集拟合到从多个子空间抽取的一组数据点的问题。在传统的低秩表示模型中，用于表示数据点的字典被选为数据点本身，因此字典会被噪声污染。低秩子空间聚类模型解决了这一问题，该模型将受损数据矩阵分解为干净且具自表达性的字典与噪声及严重误差矩阵之和。此外，通过使用数据相似性图，可以增强低秩表示模型的聚类结果。该模型被称为拉普拉斯正则化低秩表示模型，其目标函数中添加了图正则化项。受上述两种思想的启发，本文提出了一种拉普拉斯正则化低秩子空间聚类模型。该模型使用干净的字典来表示数据点，并且目标函数中也结合了图正则化项。实验结果表明，与传统的低秩表示模型、低秩子空间聚类模型以及几种其他 SOTA 子空间聚类模型相比，本文提出的模型能够获得更好的子空间聚类结果，且聚类误差更低。
引用
@article{arxiv.1610.07488,
title = {Laplacian regularized low rank subspace clustering},
author = {Yu Song and Yiquan Wu},
journal= {arXiv preprint arXiv:1610.07488},
year = {2016}
}
备注
17 pages, 4 figures, 5 tables. The paper is submitted to "computer vision and image understanding". arXiv admin note: text overlap with arXiv:1610.03604; text overlap with arXiv:1203.1005 by other authors