多视图深度子空间聚类网络
计算机视觉与模式识别
2024-03-26 v2 机器学习
摘要
多视图子空间聚类旨在通过融合多视图的互补信息来发现数据的内在结构。大多数现有方法首先提取多种手工特征，然后学习一个用于聚类的联合亲和矩阵。这种方法的缺点在于两方面：1）多视图关系未嵌入到特征学习中；2）深度学习的端到端学习方式不适用于多视图聚类。即便已提取深度特征，在不同数据集上选择合适的聚类主干网络也是非平凡问题。为解决这些问题，我们提出多视图深度子空间聚类网络（MvDSCN），以端到端方式学习多视图自表示矩阵。MvDSCN由两个子网络组成，即多样性网络（Dnet）和通用性网络（Unet）。利用深度卷积自编码器构建潜空间，并在潜空间中使用全连接层学习自表示矩阵。Dnet学习视图特定的自表示矩阵，而Unet为所有视图学习一个公共自表示矩阵。为利用多视图表示的互补性，引入希尔伯特—施密特独立性准则（HSIC）作为多样性正则化项，以捕获非线性、高阶的视图间关系。由于不同视图共享相同标签空间，各视图的自表示矩阵通过通用性正则化与公共矩阵对齐。MvDSCN还统一了多个主干网络以提升聚类性能并避免模型选择的需要。实验证明了MvDSCN的优越性。
引用
@article{arxiv.1908.01978,
title = {Multi-view Deep Subspace Clustering Networks},
author = {Pengfei Zhu and Xinjie Yao and Yu Wang and Binyuan Hui and Dawei Du and Qinghua Hu},
journal= {arXiv preprint arXiv:1908.01978},
year = {2024}
}
备注
Accepted by T-CYB