[發(fā)明專利]基于自步學(xué)習(xí)的多視聚類方法及裝置

在審

• 申請?zhí)枺?/td>: 202011533129.0
• 申請日: 2020-12-22
• 公開（公告）號: CN112598060A
• 公開（公告）日: 2021-04-02
• 發(fā)明（設(shè)計）人: 胡永利;羅萃萃;王博岳;孫艷豐;尹寶才
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市中聞律師事務(wù)所 11388
• 代理人: 馮夢洪

1.基于自步學(xué)習(xí)的多視聚類方法，其特征在于：該方法包括以下步驟：

(1)輸入為多視角數(shù)據(jù)集，對每個視角、每個樣本對應(yīng)一個節(jié)點，以每個節(jié)點為中心，利用自適應(yīng)圖學(xué)習(xí)方法學(xué)習(xí)節(jié)點之間的相似性從而構(gòu)建邊，以此完成每個視角的圖的構(gòu)建；

(2)基于一致性和個性化信息分離策略構(gòu)建多圖聚類模型；

(3)使用自步學(xué)習(xí)權(quán)重矩陣來衡量圖中每個節(jié)點的復(fù)雜性，從較少的簡單節(jié)點過渡到越來越多的復(fù)雜節(jié)點，逐漸參與到多圖學(xué)習(xí)中去，直到模型收斂；

(4)輸出聚類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(1)中，獲取待聚類的多視角數(shù)據(jù)X＝{X⁽¹⁾，…X^(M)}，所述多視角數(shù)據(jù)是指提取了M個特征的一組樣本數(shù)據(jù)，每個視角下有多個樣本，其中第m個視角下特征矩陣d_m和N為特征維度和樣本數(shù)目，根據(jù)以下自適應(yīng)圖方法來對數(shù)據(jù)集構(gòu)造每個視角所對應(yīng)的初始圖

自適應(yīng)圖學(xué)習(xí)通過對每一個樣本點x_i自適應(yīng)的分配最優(yōu)的近鄰點來學(xué)習(xí)出相似性矩陣。

3.根據(jù)權(quán)利要求2所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(1)中，第m個視角共有N個樣本，共屬于K個類別，其中，分別表示第m個視角下的第i，j個樣本，表示兩樣本的相似性，進(jìn)而構(gòu)造出

第m個視角的初始圖對于初始圖A^(m)，是它的第i，j個節(jié)點，為連接這兩個節(jié)點的邊。

4.根據(jù)權(quán)利要求2所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(2)中，有了初始多圖數(shù)據(jù)其中A^(m)∈R^N×N，構(gòu)造以下多圖學(xué)習(xí)模型MGC：

其中α^(m)＝1/||C⊙D^(m)-A^(m)||_F·，它由當(dāng)前的C和D^(m)所確定。

5.根據(jù)權(quán)利要求4所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(2)中，N和K為第m個視角下的輸入圖像數(shù)目和圖像所屬的類別數(shù)，c_i，·表示共享一致性相似圖矩陣C的第i行，L_C表示C的拉普拉斯矩陣，rank(·)表示矩陣的秩，c_i，j和d_i，j^(m)分別表示C和D(m)的第i，j個元素，設(shè)置下界d_i，j≥δ，⊙表示矩陣對應(yīng)元素相乘，表示平方F范數(shù)，權(quán)衡因子γ取值范圍為{10^-4，10^-3，10^-2，10^-1，10⁰，10¹，10²，10³}。

6.根據(jù)權(quán)利要求5所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(3)中，通過權(quán)重矩陣來衡量圖中每個邊的復(fù)雜性，從而構(gòu)造基于自步學(xué)習(xí)的多圖聚類模型SPLMGC。

7.根據(jù)權(quán)利要求6所述的基于自步學(xué)習(xí)的多視聚類方法，其特征在于：所述步驟(3)中，權(quán)重越大，表示第m個圖中的邊被選擇進(jìn)入多圖學(xué)習(xí)模型MGC的可能性就越大；SPLMGC模型為：

其中l(wèi)_ij表示第i條邊的損失函數(shù)，θ是MGC模型參數(shù)，包括D^(m)，C，權(quán)重v_ij表示第i條邊的復(fù)雜度，權(quán)重參數(shù)λ控制自步學(xué)習(xí)速度；

將權(quán)重正則化項采用以下這種軟加權(quán)的方式：

權(quán)重值的范圍在[0，1]內(nèi)，當(dāng)多圖學(xué)習(xí)模型參數(shù)固定時，第i個邊的最佳權(quán)重為：