基于张量多秩最小化的多视图自表示统一子空间聚类
计算机视觉与模式识别
2017-08-15 v3
摘要
在本文中，我们解决多视图子空间聚类问题。我们的方法利用张量的循环代数（该张量通过堆叠不同视图的子空间表示矩阵然后旋转而构造）来捕获低秩张量子空间，从而实现视图特定子空间的精炼，并探索多视图数据底层的高阶相关性。通过引入最近提出的张量分解，即张量奇异值分解（t-SVD），我们可以对旋转后的张量施加一种新型低秩张量约束，以捕获来自多个视图的互补信息。不同于传统的基于展开的张量范数，这种低秩张量约束具有类似于由 SVD 导出的矩阵秩的最优性质，因此可以更高效、更彻底地探索视图间的互补信息。所建立的模型称为基于 t-SVD 的多视图子空间聚类（t-SVD-MSC），属于增广拉格朗日方法的适用范围，其最小化问题可在理论收敛保证和较低计算复杂度下高效求解。在八个具有挑战性的图像数据集上的大量实验测试表明，与几种最先进的多视图聚类方法相比，所提方法取得了极具竞争力的客观性能。
引用
@article{arxiv.1610.07126,
title = {On Unifying Multi-View Self-Representations for Clustering by Tensor Multi-Rank Minimization},
author = {Yuan Xie and Dacheng Tao and Wensheng Zhang and Lei Zhang and Yan Liu and Yanyun Qu},
journal= {arXiv preprint arXiv:1610.07126},
year = {2017}
}
备注
21 pages, 12 figures