[發明專利]一種基于深度多視角子空間集成學習的圖像聚類方法

有效

• 申請號: 201811466266.X
• 申請日: 2018-12-03
• 公開（公告）號: CN109784360B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 薛哲;杜軍平;獨大為;呂思偉;梁美玉
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 王剛

本發明公開了一種基于深度多視角子空間集成學習的圖像聚類方法，其特征在于，包括：對圖像數據集進行多視角特征提取，得到多視角特征；基于所述多視角特征建立深度多視角低秩子空間學習的第一函數；基于所述第一函數建立多視角子空間集成學習的第二函數；基于所述第一函數和所述第二函數建立深度多視角子空間集成學習的目標函數并確定所述目標函數的各項約束；最小化所述目標函數，得到圖像多視角特征的低維一致性子空間表示；用聚類算法對圖像多視角特征的低維一致性子空間表示進行聚類，得到所述圖像數據集的多視角聚類結果。

技術領域

本發明涉及模式識別技術領域，特別是指一種基于深度多視角子空間集成學習的圖像聚類方法。

背景技術

圖像多視角聚類方法基于深度矩陣分解模型，將不同視角的特征矩陣進行深度分解，并對最高層的系數矩陣進行一致性約束，獲得不同視角數據的一致性表示，然后基于該表示進行圖像數據的聚類。然而目前的圖像多視角聚類方法沒有考慮到深度模型中間層的數據表示信息，只使用了模型最高層的數據表示結果，不能有效挖掘圖像數據包含的豐富的多層次、多屬性聚類結構，且低秩子空間學習一般用于淺層模型，非線性處理能力有限，不能有效分析和處理分布特性復雜、視覺特點變化多樣的圖像多視角數據，因此不能獲得有效的圖像聚類結果。

發明內容

有鑒于此，本發明的目的在于提出一種能有效學習圖像各個視角的多層次、多屬性特征的圖像聚類方法。

基于上述目的，本發明提供了一種基于深度多視角子空間集成學習的圖像聚類方法，包括：

對圖像數據集進行多視角特征提取，得到多視角特征；

基于所述多視角特征建立深度多視角低秩子空間學習的第一函數；

基于所述第一函數建立多視角子空間集成學習的第二函數；

基于所述第一函數和所述第二函數建立深度多視角子空間集成學習的目標函數并確定所述目標函數的各項約束；

最小化所述目標函數，得到圖像多視角特征的低維一致性子空間表示；

用聚類算法對圖像多視角特征的低維一致性子空間表示進行聚類，得到所述圖像數據集的多視角聚類結果。

在一些實施方式中，所述第一函數為：

其中，X^(v)是第v個視角的數據矩陣，和分別是深度矩陣分解第i層的基矩陣和系數矩陣，是子空間學習得到的低秩子空間表示，λ₁是用于控制第二項作用大小的權重系數，m是深度矩陣分解的層數，V是視角的個數，||·||_F是矩陣Frobenius范數，||·||_*是矩陣的核范數。

在一些實施方式中，所述第二函數為：

其中，是第v個視角、第i層的融合權重系數，用于控制低秩子空間在融合過程中的作用大小，是由構成的向量。||·||_G是組稀疏正則項，用于控制融合權重的稀疏性，其定義為：將分成V個組，讓屬于同一個視角v的融合權重屬于一個組，每個組的融合權重系數可以用一個向量來表示：組稀疏正則項的定義為：F是低維一致性子空間，用于保留融合后的不同視角、不同層的聚類結構信息。λ₂和λ₃是權重系數。

在一些實施方式中，所述目標函數為：

所述目標函數的各項約束為：