[發(fā)明專利]一種自加權(quán)融合局部和全局信息的多視圖子空間聚類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110803225.0
• 申請(qǐng)日: 2021-07-15
• 公開（公告）號(hào): CN113554082A
• 公開（公告）日: 2021-10-26
• 發(fā)明（設(shè)計(jì)）人: 段意強(qiáng);袁浩亮;符政鑫;許斯濱;呂應(yīng)龍
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉俊

本發(fā)明提供一種自加權(quán)融合局部和全局信息的多視圖子空間聚類方法，該方法首先對(duì)獲取的多視圖數(shù)據(jù)進(jìn)行預(yù)處理。其次通過圖學(xué)習(xí)挖掘原始多視圖數(shù)據(jù)的局部信息時(shí)加入自表示學(xué)習(xí)來挖掘原始多視圖數(shù)據(jù)的全局信息從而獲得高質(zhì)量和高魯棒性的相似度矩陣。然后采取自加權(quán)的方式將所有視圖的相似度矩陣進(jìn)行融合形成一致的相似度矩陣。通過對(duì)一致的相似度矩陣引入秩約束，使得一致的相似度矩陣中連通分量的個(gè)數(shù)等于聚類簇的個(gè)數(shù)，從而直接獲得多視圖聚類結(jié)果。這避免了在獲取一致的相似度矩陣之后，還需要執(zhí)行額外的聚類步驟去獲取聚類結(jié)果。本發(fā)明所提供的方法在生成一致的相似度矩陣的同時(shí)也揭示了數(shù)據(jù)的聚類結(jié)構(gòu)，無需再執(zhí)行額外的聚類步驟去獲取聚類結(jié)果。綜述所述，因此本發(fā)明所提供的方法對(duì)多視圖數(shù)據(jù)具有良好的聚類效果。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺、模式識(shí)別和數(shù)據(jù)挖掘等技術(shù)領(lǐng)域，更具體地，涉及一種自加權(quán)融合局部和全局信息的多視圖子空間聚類方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，人們獲取數(shù)據(jù)的手段越來越多樣化，使得大量無標(biāo)簽的數(shù)據(jù)不斷產(chǎn)生。在當(dāng)今大數(shù)據(jù)時(shí)代環(huán)境的影響下，如何對(duì)這些無標(biāo)簽的數(shù)據(jù)進(jìn)行分析和處理從而揭示其內(nèi)在規(guī)律成為各行各業(yè)廣泛關(guān)注的問題。聚類做為一種無監(jiān)督學(xué)習(xí)技術(shù)，在機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺和數(shù)據(jù)挖掘等領(lǐng)域被廣泛使用。聚類試圖對(duì)無標(biāo)簽的數(shù)據(jù)依據(jù)其數(shù)據(jù)自身的內(nèi)在特性，將數(shù)據(jù)劃分成若干個(gè)簇，即使得“簇內(nèi)相似度”高且“簇間相似度”低。為下一步的數(shù)據(jù)分析提供基礎(chǔ)。

傳統(tǒng)的聚類方法通過挖掘單視圖數(shù)據(jù)的內(nèi)在結(jié)構(gòu)來對(duì)數(shù)據(jù)進(jìn)行劃分。例如：K均值聚類、密度聚類、層次聚類、譜聚類、子空間聚類等方法。單視圖數(shù)據(jù)由單一特征構(gòu)成的數(shù)據(jù)。當(dāng)單視圖數(shù)據(jù)不足以全面描述對(duì)象時(shí)和/或嚴(yán)重?fù)p壞的情況下，會(huì)導(dǎo)致傳統(tǒng)聚類方法的性能不佳。真實(shí)世界的數(shù)據(jù)通常具有多種表現(xiàn)形式，即每個(gè)對(duì)象被不同類型的特征進(jìn)行表示，這些不同類型的特征被稱為多視圖數(shù)據(jù)。例如，一個(gè)物體通過主視圖、側(cè)視圖和俯視圖來共同描述物體的外部特征。同一段文字被翻譯成不同國(guó)家的語言，如：中文，英文，日文等等。一張圖片提取方向梯度直方圖(histograms of oriented gradients,HOG)、局部二值模式(local binary patterns，LBP)以及尺度不變特征變換(scale invariant featuretransform,SIFT)等。多視圖數(shù)據(jù)不僅擁有每個(gè)視圖下特有的信息，還擁有視圖之間的互補(bǔ)信息。使用多視圖數(shù)據(jù)進(jìn)行聚類發(fā)揮每個(gè)視圖的優(yōu)勢(shì)，同時(shí)也規(guī)避自身視圖的風(fēng)險(xiǎn)，從而獲取更好的聚類性能。

現(xiàn)有的多視圖聚類方法大致分為以下幾類：基于K均值多視圖聚類，基于矩陣分解多視圖聚類，多視圖圖聚類和多視圖子空間聚類。多視圖圖聚類和多視圖子空間由于其良好的聚類性能和數(shù)學(xué)可解釋性而受到廣泛的關(guān)注。多視圖圖聚類通過采用不同的度量(二元相似度，余弦相似度，高斯核相似度)手段去度量不同樣本之間的相似度，然后采用完整圖或k近鄰圖其中一種去構(gòu)造每個(gè)視圖的圖矩陣，然后將所有視圖的圖矩陣進(jìn)行融合形成統(tǒng)一的圖矩陣，最后對(duì)統(tǒng)一的圖矩陣進(jìn)行譜聚類或圖割算法獲得聚類結(jié)果。多視圖子空間聚類通常使用自表示學(xué)習(xí)去得到每個(gè)視圖的子空間表示，然后將所有視圖的子空間表示進(jìn)行融合形成統(tǒng)一的子空間表示，最后對(duì)統(tǒng)一的子空間表示進(jìn)行譜聚類獲得聚類結(jié)果。多視圖圖聚類在原始數(shù)據(jù)的局部層面上構(gòu)建圖矩陣，多視圖子空間在原始數(shù)據(jù)的全局層面上構(gòu)建相似度矩陣。將多視圖圖聚類和多視圖子空間聚類進(jìn)行結(jié)合來考慮原始數(shù)據(jù)的局部信息和全局信息，并引入秩約束直接對(duì)一致的子空間進(jìn)行限制。在獲取一致的子空間表示的同時(shí)，能夠直接獲得多視圖數(shù)據(jù)的聚類結(jié)構(gòu)，而無需再執(zhí)行額外的聚類算法。

發(fā)明內(nèi)容

本發(fā)明提供一種自加權(quán)融合局部和全局信息的多視圖子空間聚類方法，該方法在生成一致的相似度矩陣的同時(shí)也揭示了數(shù)據(jù)的聚類結(jié)構(gòu)，從而獲取良好的聚類效果。

為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：

一種自加權(quán)融合局部和全局信息的多視圖子空間聚類方法，包括以下步驟：

S1：采集多視圖數(shù)據(jù)并進(jìn)行預(yù)處理；