用于图像聚类的鲁棒无监督柔性自加权局部坐标概念分解
计算机视觉与模式识别
2019-05-28 v1 机器学习
摘要
我们通过提出一种新颖的无监督表示学习模型——鲁棒柔性自加权局部坐标概念分解（RFA-LCF），来研究高维数据聚类问题。RFA-LCF 将鲁棒柔性 CF、鲁棒稀疏局部坐标编码和自适应重构加权学习集成到一个统一模型中。自适应加权是通过在恢复出的干净数据、基概念和新的表示上引入联合流形保持约束来驱动的。具体而言，我们的 RFA-LCF 使用基于 L2,1 范数的柔性残差来编码干净数据与其重构之间的失配，并应用鲁棒自适应稀疏局部坐标编码，利用少数邻近基概念表示数据，从而使分解更准确且对噪声鲁棒。鲁棒柔性分解也在恢复出的干净数据空间中进行以增强表示。RFA-LCF 还以自适应方式联合保持干净数据空间、基概念空间和新坐标空间的局部流形结构。大量比较表明，RFA-LCF 能给出增强的聚类结果。
引用
@article{arxiv.1905.10564,
title = {Robust Unsupervised Flexible Auto-weighted Local-Coordinate Concept Factorization for Image Clustering},
author = {Zhao Zhang and Yan Zhang and Sheng Li and Guangcan Liu and Meng Wang and Shuicheng Yan},
journal= {arXiv preprint arXiv:1905.10564},
year = {2019}
}
备注
Accepted at the 44th IEEE International Conference on Acoustics, Speech, and Signal Processing(ICASSP 2019)