面向多视图子空间聚类的隐完整行空间恢复
机器学习
2020-08-26 v1 机器学习
摘要
多视图子空间聚类已应用于图像处理和视频监控等场景，并引起越来越多的关注。大多数现有方法学习视图特定的自表示矩阵，并从多个视图构建组合亲和矩阵。亲和矩阵构建过程耗时，且组合亲和矩阵不能保证反映整体真实子空间结构。为克服这些问题，提出隐完整行空间恢复（LCRSR）方法。具体而言，LCRSR 基于如下假设：多视图观测由底层隐表示生成，并进一步假设该隐表示收集了精确从多个子空间抽取的真实样本。LCRSR 能够恢复隐表示的行空间，其不仅携带来自多视图的完整信息，而且在一定条件下决定子空间归属。LCRSR 不涉及图构建过程，并通过高效且收敛的算法求解，因而对大规模数据集更具可扩展性。LCRSR 的有效性和效率通过对各类多视图数据的聚类得到验证，并在背景减除任务中得以展示。
引用
@article{arxiv.1912.07248,
title = {Latent Complete Row Space Recovery for Multi-view Subspace Clustering},
author = {Hong Tao and Chenping Hou and Yuhua Qian and Jubo Zhu and Dongyun Yi},
journal= {arXiv preprint arXiv:1912.07248},
year = {2020}
}