[發明專利]一種基于對偶張量的多視圖子空間聚類方法

在審

• 申請號: 202111149188.2
• 申請日: 2021-09-29
• 公開（公告）號: CN115908880A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 任珍文;糜勇;孫元;戴健;祝本明;楊超;印茂偉
• 申請（專利權）人: 西南科技大學
• 主分類號: G06V10/762
• 分類號: G06V10/762
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于對偶張量的多視圖子空間聚類方法，通過構建基于對偶張量的多視圖子空間聚類方法的目標函數，尋找原始多視圖數據的低維子空間，緩解原始數據中噪聲的影響；并在低維子空間中構建對偶張量，從而充分挖掘多視圖數據中的高階相關性。本發明方法通過聯合子空間學習和對偶張量學習，解決了現有聚類算法忽略了多視圖數據的高階信息的問題，有效地提高多視圖聚類性能，實現對多視圖數據的準確聚類。

技術領域

本發明涉及計算機視覺和模式識別技術領域，尤其涉及一種基于對偶張量的多視圖子空間聚類方法。

背景技術

近些年來，在互聯網、視頻監控、醫學影像以及遙感衛星等領域，人類獲取和處理數據信息的手段更加多樣化，對于同一個目標，大量復雜的多源、多特征、多角度以及多核數據的出現，這些數據統稱為多模態或多視圖數據。

聚類作為計算機視覺和模式識別的一個基礎研究課題，廣泛應用于信息檢索和圖像分割等領域。聚類的目標是根據數據中樣本之間的相似度將數據劃分到對應的類中。傳統的單視圖聚類僅僅從單一視角中挖掘數據之間的信息，而忽略了多視圖數據中包含的互補信息。多視圖聚類作為一種數據處理手段，通過利用原始目標更多視角的信息，可以彌補單一視角中信息不足導致的認知偏差，從而較好地約減一些不利因素的影響，獲得了比單視圖學習方法更好的性能。

相對于單視圖聚類方法，多視圖聚類方法通過利用不同視圖之間的互補性、一致性、兼容性和完備性，獲得數據更加全面且準確的表示，因此多視圖聚類方法通?？梢匀〉酶玫木垲愋阅?。

多視圖聚類方法通常可以分為：協同訓練法、多核學習方法、圖學習方法以及子空間學習方法。協同訓練法通過最大限度地使得各個視圖的預測相互一致，從而達成最廣泛的一致意見，最終利用一致的分割矩陣實現多視圖數據劃分；多核學習方法的通常選取核函數，預先對不同的視圖分別計算得到一組基核，再使用線性或非線性組合的方法將這些核組合起來，以得到一個統一的核，然后用于后續的聚類任務；圖學習方法首先對每個視圖構造一個對應的關系圖，用于表征樣本之間的相似關系，然后將所有視圖學到的圖進行融合得到一個共識圖。圖學習方法通過綜合利用不同視圖之間的信息，從而取得較好的聚類結果。但上述的三種方法在帶噪聲的數據上表現不佳，魯棒性較差。為了解決這個問題，子空間學習方法首先通過挖掘多視圖數據的低維子空間結構，在低秩或稀疏假設下對關系矩陣施加低秩約束或稀疏約束，然后將多個關系矩陣經過不同的處理得到一個共識的關系矩陣，最后通過譜聚類算法獲得最終的聚類結果。因此子空間學習方法可以很好地處理數據中的噪聲，擁有較好的魯棒性。然而，由于目前基于子空間聚類的方法僅考慮多視圖數據中樣本間和視圖間的成對相關性，忽略了多視圖數據中隱藏的高階信息（包括同一樣本在不同視圖之間的相關性和不同樣本在同一視圖內的相關性），因此不能充分利用多視圖數據的信息，獲得最優的聚類性能。因此如何挖掘多視圖數據中隱藏的高階信息，是多視圖聚類領域的一個重要的難點。

發明內容

本發明為解決現有的多視圖聚類方法忽略了多視圖數據中隱藏的高階信息，導致多視圖聚類性能降低的問題，提供一種基于對偶張量的多視圖子空間聚類方法。

為實現以上發明目的，而采用的技術手段是：

一種基于對偶張量的多視圖子空間聚類方法，包括以下步驟：

S1.輸入多視圖數據；

S2.基于多視圖數據矩陣，利用子空間自表示學習方法構建每個視圖的關系矩陣；

S3.根據每個視圖的關系矩陣，構建基于對偶張量的多視圖子空間聚類方法的目標函數；

S4.采用交替優化的方法求解目標函數，計算出每個視圖的關系矩陣；

S5.融合多個視圖的關系矩陣A(v)得到共識的關系矩陣H，然后對共識的關系矩陣H執行譜聚類得到最終的聚類結果。