非全局亦非局部：面向图像数据的分层鲁棒子空间聚类
计算机视觉与模式识别
2020-01-07 v1
摘要
本文中，我们考虑在存在连续噪声、遮挡和伪装情况下的子空间聚类问题。我们认为当前最先进方法中的数据自表达表示对遮挡和复杂真实世界噪声极度敏感。为缓解该问题，我们提出一种分层框架，将基于局部块表示的鲁棒性与全局表示的判别特性结合起来。该方法包括 1）自顶向下阶段，其中输入数据被反复划分成更小的块；2）自底向上阶段，其中局部块在上一层对应块视野内的低秩嵌入被合并到 Grassmann 流形上。该汇总信息为上一层对应块提供两项关键信息：不可连边与推荐连边。该信息被用于通过加权稀疏组 lasso 优化问题计算每一上层块的自表达表示。在若干真实数据集上的数值结果证实了我们所提方法的有效性。
引用
@article{arxiv.1905.07220,
title = {Neither Global Nor Local: A Hierarchical Robust Subspace Clustering For Image Data},
author = {Maryam Abdolali and Mohammad Rahmati},
journal= {arXiv preprint arXiv:1905.07220},
year = {2020}
}