多视图MERA子空间聚类
计算机视觉与模式识别
2023-05-17 v1
摘要
基于张量的多视图子空间聚类（MSC）能够捕获自表示张量中的高阶相关性。当前用于MSC的张量分解存在展开矩阵高度不平衡或旋转敏感的问题，未能充分挖掘视图间/视图内信息。利用先进的张量网络，即多尺度纠缠重整化拟设（MERA），我们提出了一种基于低秩MERA的MSC（MERA-MSC）算法，其中MERA将一个张量分解为一个顶部核心因子与其余正交/半正交因子的缩并。受益于正交/半正交（低秩）因子间的多重交互，低秩MERA具有强大的表示能力以捕获自表示张量中复杂的视图间/视图内信息。采用交替方向乘子法求解优化模型。在五个多视图数据集上的实验结果表明，MERA-MSC在六项评价指标上优于对比算法。此外，我们通过引入锚点学习扩展MERA-MSC，开发了可扩展的基于低秩MERA的多视图聚类方法（sMERA-MVC）。sMERA-MVC的有效性和效率在三个大规模多视图数据集上得到验证。据我们所知，这是首项将MERA引入多视图聚类主题的工作。MERA-MSC与sMERA-MVC的代码公开于 https://github.com/longzhen520/MERA-MSC。
引用
@article{arxiv.2305.09095,
title = {Multi-view MERA Subspace Clustering},
author = {Zhen Long and Ce Zhu and Jie Chen and Zihan Li and Yazhou Ren and Yipeng Liu},
journal= {arXiv preprint arXiv:2305.09095},
year = {2023}
}