[發明專利]一種面向多視圖特征融合與聚類的聯合優化方法

在審

• 申請號: 202010696076.8
• 申請日: 2020-07-20
• 公開（公告）號: CN111814896A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 趙鐵松;黃愛萍;裴舒凡;陳煒玲;王鄭
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種面向多視圖特征融合與聚類的聯合優化方法，包括以下步驟：步驟S1:獲取待聚類圖像數據的若干個視圖以及聚成的類別數；步驟S2:初始化相關參數和矩陣變量；步驟S3:將面向多視圖特征融合與聚類的聯合優化問題表示為共享指示矩陣和對應各個視圖系數矩陣的矩陣分解范式，寫出損失函數，確認優化目標;步驟S4:更新各項參數，直至收斂或達到最大迭代次數；步驟S5:計算得到收斂的共享聚類指示矩陣，以對每個樣本標簽進行分配，得到最優的聚類結果。本發明面向多視圖特征，能夠實現準確的聚類。

技術領域

本發明屬于多視圖學習領域，具體涉及一種面向多視圖特征融合與聚類的聯合優化方法。

背景技術

近年來，多視圖技術已引起越來越多研究者的關注，并廣泛應用于圖像識別，圖像分割，自然語言處理和多媒體理解等多個領域。給與特定的學習任務，從這些未標記數據的多個視圖中發現隱藏的模式和潛在的語義稱為多視圖學習。大量研究表明，多視圖學習比單視圖學習更有效，更魯棒且更通用，因為它考慮了不同視圖的多樣性，并充分利用了這些視圖的共同優點。然而，如何構建多個視圖，評估這些視圖并學習有效的融合方法是一個巨大的挑戰。

發明內容

有鑒于此，本發明的目的在于提供一種面向多視圖特征融合與聚類的聯合優化方法，能夠有效的實現多視圖特征融合與聚類。

為實現上述目的，本發明采用如下技術方案：

一種面向多視圖特征融合與聚類的聯合優化方法，包括以下步驟：

步驟S1:獲取待聚類圖像數據的若干個視圖以及聚成的類別數；

步驟S2:初始化相關參數和矩陣變量；

步驟S3:將面向多視圖特征融合與聚類的聯合優化問題表示為共享指示矩陣和對應各個視圖系數矩陣的矩陣分解范式，寫出損失函數，確認優化目標；

步驟S4:更新各項參數，直至收斂或達到最大迭代次數；

步驟S5:計算得到收斂的共享聚類指示矩陣，以對每個樣本標簽進行分配，得到最優的聚類結果。

進一步的，所述相關參數包括β_i，γ，λ和

其中γ是一個預定義常數來增強損失函數的度量學習，β_i為正則化參數，λ為權重系數，為懲罰項系數。

進一步的，所述矩陣變量包括α,H,G,W,V和

α為不同視圖的權重向量，H∈R^n×c為共享聚類指示矩陣，為對應各個視圖的聚類系數矩陣，G和V為中間矩陣優化變量，和Y₂∈R^n×c為兩個懲罰矩陣；c為類別個數,d_i第i個視圖數據矩陣的維數。

進一步的，步驟S3具體為：

步驟S31:將面向多視圖特征融合與聚類的聯合優化問題表示為:

式子滿足:

其中||·||_F和||·||_*分別為Frobenius范數和核函數運算符；I為單位矩陣；

步驟S32:引入跡運算符Tr(·)；引入用于衡量矩陣H正交性的重要性參數λ；

將式子改寫為:

式子滿足:α≥0,1^Tα＝1,H≥0

其中1∈R^k是一個各項全為1的列向量；

步驟S43:引入兩個中間矩陣優化變量