深度子空间聚类(DSC)基于原始数据位于低维非线性子空间的集合中的假设。其中深度子空间聚类多尺度表示学习方法在深度自编码器的基础上,将每一层的编码器与对应的解码器之间都添加全连接层,并以此捕获多尺度的特征,但它没有深度分析多...深度子空间聚类(DSC)基于原始数据位于低维非线性子空间的集合中的假设。其中深度子空间聚类多尺度表示学习方法在深度自编码器的基础上,将每一层的编码器与对应的解码器之间都添加全连接层,并以此捕获多尺度的特征,但它没有深度分析多尺度特征的性质,也没有考虑输入数据和输出数据之间多尺度的重构损失。为了解决上述问题,首先建立每个网络层的重构损失函数,监督不同级别编码器参数的学习;然后利用多尺度特征共有的自表示矩阵和特有的自表示矩阵的和具有块对角性,提出更有效的多尺度自表示模块;最后分析不同尺度特征特有的自表示矩阵之间的多样性,有效地利用了多尺度的特征矩阵。在此基础上,提出一种基于一致性和多样性的多尺度自表示学习的深度子空间聚类(MSCD-DSC)方法。在数据集Extended Yale B、ORL、COIL20和Umist上的实验结果表明,相较于次优的MLRDSC(Multi-Level Representation learning for Deep Subspace Clustering),MSCD-DSC的聚类错误率分别降低了15.44%、2.22%、3.37%和13.17%,表明MSCD-DSC的聚类效果优于已有的方法。展开更多
子空间聚类在最近几年受到了广泛的关注,新近提出的自适应图卷积子空间聚类方法取得了很好的效果。但是该方法仅适用于单一视图的子空间聚类问题。本文将该方法拓展到多视图上,提出了多视图图卷积子空间聚类。该方法构建了F范数正则项...子空间聚类在最近几年受到了广泛的关注,新近提出的自适应图卷积子空间聚类方法取得了很好的效果。但是该方法仅适用于单一视图的子空间聚类问题。本文将该方法拓展到多视图上,提出了多视图图卷积子空间聚类。该方法构建了F范数正则项以便更有效地挖掘每个视图中数据之间的关系,还构建了不同视图之间的加权机制来融合不同视图之间的信息。大量的实验证明,我们的方法是有效的。Subspace clustering has received extensive attention in recent years. Although the recently proposed adaptive graph convolutional subspace clustering performs well, it can only be applied to subspace clustering problem with a single view. This paper proposes multi-view graph convolutional sub-space clustering to extend this method to the multi-view situation. This method not only constructs F-norm regularization to more effectively mine the relationships between data in each view, but also builds a weighting strategy between different views to integrate their information. A large number of experiments have proved that our method is effective.展开更多
子空间聚类在近年来受到了大量的关注,其主要是利用谱聚类的思想学习一个表示系数矩阵以构造亲和矩阵,使用亲和矩阵获得聚类结果。众多方法采用对表示系数矩阵加以限制以保证最终得到的亲和矩阵用于聚类后得到良好的聚类效果,但这种做...子空间聚类在近年来受到了大量的关注,其主要是利用谱聚类的思想学习一个表示系数矩阵以构造亲和矩阵,使用亲和矩阵获得聚类结果。众多方法采用对表示系数矩阵加以限制以保证最终得到的亲和矩阵用于聚类后得到良好的聚类效果,但这种做法会降低亲和矩阵的表示能力。本文提出低秩稀疏亲和矩阵子空间聚类算法,直接对亲和矩阵进行约束以提高表示系数矩阵的表示能力。文章给出了算法的优化过程,验证了结果的块对角性质,在不同数据集上的实验证明了方法的有效性。Subspace clustering has received a lot of attention in recent years, which mainly uses the idea of spectral clustering to learn a representation coefficient matrix to construct an affinity matrix, and uses the affinity matrix to obtain clustering results. Many methods use the restriction of the representation coefficient matrix to ensure that the final affinity matrix is used for clustering to obtain good clustering results, but this practice will reduce the representation ability of the affinity matrix. In this paper, a low-rank sparse affinity matrix subspace clustering algorithm is proposed to directly constrain the affinity matrix to improve the representation ability of the representation coefficient matrix. The optimization process of the algorithm is presented, and the block diagonal property of the results is verified. Experiments on different data sets prove the effectiveness of the method.展开更多
子空间聚类是聚类来源于底层子空间的数据的一个高效的方法。在近些年,基于谱聚类的方法成为了最受欢迎的子空间聚类方法之一。新近提出的自适应图卷积子空间聚类方法受图卷积网络的启发,使用图卷积技术去设计了新的特征提取的方法和系...子空间聚类是聚类来源于底层子空间的数据的一个高效的方法。在近些年,基于谱聚类的方法成为了最受欢迎的子空间聚类方法之一。新近提出的自适应图卷积子空间聚类方法受图卷积网络的启发,使用图卷积技术去设计了新的特征提取的方法和系数矩阵的约束,取得了优异的效果。但其需要重构系数矩阵满足对称和非负的条件,这会限制重构系数矩阵的表示能力。为了克服这一缺陷,本文改为直接约束由重构系数矩阵生成的亲和矩阵,亲和矩阵天然具有对称和非负的性质,进而设计了亲和矩阵图卷积子空间聚类算法。不仅克服了求解模型的困难之处,还进行了对比实验在四个基准数据集上以此论证本文方法的有效性。Subspace clustering is an efficient method for clustering data derived from the bottom level subspace. In recent years, spectral clustering based methods have become one of the most popular subspace clustering methods. The recently proposed adaptive graph convolution subspace clustering method is inspired by graph convolutional networks and uses graph convolution techniques to design new feature extraction methods and constraints on coefficient matrices, achieving excellent results. But it requires the reconstruction coefficient matrix to satisfy symmetric and non negative conditions, which limits the representational power of the reconstructed coefficient matrix. To overcome this limitation, this paper proposes to directly constrain the affinity matrix generated from the reconstructed coefficient matrix, which naturally has symmetric and non negative properties. Therefore, an affinity matrix graph convolution subspace clustering algorithm is designed. Not only did it overcome the difficulties in solving the model, but it also conducted comparative experiments on four benchmark datasets to demonstrate the effectiveness of the proposed method.展开更多
提出基于随机初始化、参数扰动和特征子集映射的多扰动的局部自适应软子空间聚类(LAC)融合算法(MLACE)。MLACE具有以下特点:(i)多扰动融合:从初始化、参数和特征子集等不同侧面,探测数据内部结构,使之相互融合,从而达到改善聚类正确性...提出基于随机初始化、参数扰动和特征子集映射的多扰动的局部自适应软子空间聚类(LAC)融合算法(MLACE)。MLACE具有以下特点:(i)多扰动融合:从初始化、参数和特征子集等不同侧面,探测数据内部结构,使之相互融合,从而达到改善聚类正确性的目的;(ii)融合信息提升:根据LAC算法输出的子空间权重矩阵,定义数据属于每一类的概率,形成提升的融合信息;(iii)融合一致性函数改进:融合信息的形式由0/1二值信息转换成[0,1]实值信息,因此,一致性函数采用了性能较优的实数值融合算法Fast global K-means来进一步改善融合正确性。实验选取2个仿真数据库和5个UCI数据库测试MLACE的聚类正确性,实验结果表明,MLACE聚类正确性优于K-means、LAC、基于参数扰动LAC融合算法(P-MLACE)。展开更多
文摘深度子空间聚类(DSC)基于原始数据位于低维非线性子空间的集合中的假设。其中深度子空间聚类多尺度表示学习方法在深度自编码器的基础上,将每一层的编码器与对应的解码器之间都添加全连接层,并以此捕获多尺度的特征,但它没有深度分析多尺度特征的性质,也没有考虑输入数据和输出数据之间多尺度的重构损失。为了解决上述问题,首先建立每个网络层的重构损失函数,监督不同级别编码器参数的学习;然后利用多尺度特征共有的自表示矩阵和特有的自表示矩阵的和具有块对角性,提出更有效的多尺度自表示模块;最后分析不同尺度特征特有的自表示矩阵之间的多样性,有效地利用了多尺度的特征矩阵。在此基础上,提出一种基于一致性和多样性的多尺度自表示学习的深度子空间聚类(MSCD-DSC)方法。在数据集Extended Yale B、ORL、COIL20和Umist上的实验结果表明,相较于次优的MLRDSC(Multi-Level Representation learning for Deep Subspace Clustering),MSCD-DSC的聚类错误率分别降低了15.44%、2.22%、3.37%和13.17%,表明MSCD-DSC的聚类效果优于已有的方法。
文摘子空间聚类在最近几年受到了广泛的关注,新近提出的自适应图卷积子空间聚类方法取得了很好的效果。但是该方法仅适用于单一视图的子空间聚类问题。本文将该方法拓展到多视图上,提出了多视图图卷积子空间聚类。该方法构建了F范数正则项以便更有效地挖掘每个视图中数据之间的关系,还构建了不同视图之间的加权机制来融合不同视图之间的信息。大量的实验证明,我们的方法是有效的。Subspace clustering has received extensive attention in recent years. Although the recently proposed adaptive graph convolutional subspace clustering performs well, it can only be applied to subspace clustering problem with a single view. This paper proposes multi-view graph convolutional sub-space clustering to extend this method to the multi-view situation. This method not only constructs F-norm regularization to more effectively mine the relationships between data in each view, but also builds a weighting strategy between different views to integrate their information. A large number of experiments have proved that our method is effective.
文摘子空间聚类在近年来受到了大量的关注,其主要是利用谱聚类的思想学习一个表示系数矩阵以构造亲和矩阵,使用亲和矩阵获得聚类结果。众多方法采用对表示系数矩阵加以限制以保证最终得到的亲和矩阵用于聚类后得到良好的聚类效果,但这种做法会降低亲和矩阵的表示能力。本文提出低秩稀疏亲和矩阵子空间聚类算法,直接对亲和矩阵进行约束以提高表示系数矩阵的表示能力。文章给出了算法的优化过程,验证了结果的块对角性质,在不同数据集上的实验证明了方法的有效性。Subspace clustering has received a lot of attention in recent years, which mainly uses the idea of spectral clustering to learn a representation coefficient matrix to construct an affinity matrix, and uses the affinity matrix to obtain clustering results. Many methods use the restriction of the representation coefficient matrix to ensure that the final affinity matrix is used for clustering to obtain good clustering results, but this practice will reduce the representation ability of the affinity matrix. In this paper, a low-rank sparse affinity matrix subspace clustering algorithm is proposed to directly constrain the affinity matrix to improve the representation ability of the representation coefficient matrix. The optimization process of the algorithm is presented, and the block diagonal property of the results is verified. Experiments on different data sets prove the effectiveness of the method.
文摘子空间聚类是聚类来源于底层子空间的数据的一个高效的方法。在近些年,基于谱聚类的方法成为了最受欢迎的子空间聚类方法之一。新近提出的自适应图卷积子空间聚类方法受图卷积网络的启发,使用图卷积技术去设计了新的特征提取的方法和系数矩阵的约束,取得了优异的效果。但其需要重构系数矩阵满足对称和非负的条件,这会限制重构系数矩阵的表示能力。为了克服这一缺陷,本文改为直接约束由重构系数矩阵生成的亲和矩阵,亲和矩阵天然具有对称和非负的性质,进而设计了亲和矩阵图卷积子空间聚类算法。不仅克服了求解模型的困难之处,还进行了对比实验在四个基准数据集上以此论证本文方法的有效性。Subspace clustering is an efficient method for clustering data derived from the bottom level subspace. In recent years, spectral clustering based methods have become one of the most popular subspace clustering methods. The recently proposed adaptive graph convolution subspace clustering method is inspired by graph convolutional networks and uses graph convolution techniques to design new feature extraction methods and constraints on coefficient matrices, achieving excellent results. But it requires the reconstruction coefficient matrix to satisfy symmetric and non negative conditions, which limits the representational power of the reconstructed coefficient matrix. To overcome this limitation, this paper proposes to directly constrain the affinity matrix generated from the reconstructed coefficient matrix, which naturally has symmetric and non negative properties. Therefore, an affinity matrix graph convolution subspace clustering algorithm is designed. Not only did it overcome the difficulties in solving the model, but it also conducted comparative experiments on four benchmark datasets to demonstrate the effectiveness of the proposed method.
文摘提出基于随机初始化、参数扰动和特征子集映射的多扰动的局部自适应软子空间聚类(LAC)融合算法(MLACE)。MLACE具有以下特点:(i)多扰动融合:从初始化、参数和特征子集等不同侧面,探测数据内部结构,使之相互融合,从而达到改善聚类正确性的目的;(ii)融合信息提升:根据LAC算法输出的子空间权重矩阵,定义数据属于每一类的概率,形成提升的融合信息;(iii)融合一致性函数改进:融合信息的形式由0/1二值信息转换成[0,1]实值信息,因此,一致性函数采用了性能较优的实数值融合算法Fast global K-means来进一步改善融合正确性。实验选取2个仿真数据库和5个UCI数据库测试MLACE的聚类正确性,实验结果表明,MLACE聚类正确性优于K-means、LAC、基于参数扰动LAC融合算法(P-MLACE)。
文摘稀疏子空间聚类(Sparse subspace clustering,SSC)算法在处理高光谱遥感影像时,地物的划分精度较低,为了提高地物划分精度,本文提出了一种基于信息熵的加权块稀疏子空间聚类算法(Weighted block sparse subspace clustering algorithm based on information entropy,EBSSC)。信息熵权重与块对角约束的引入,可以在仿真实验前获得两像素属于同一类别的先验概率,从而正向干预模型求解出的解趋于块对角结构的最优近似解,使模型获得对抗噪声和异常值的性能,从而提高模型分类的判别能力,以获得更好的地物划分精度。在3个经典高光谱遥感数据集上的实验结果表明,本文算法聚类高光谱影像的效果优于现有的几个经典流行的子空间聚类算法。
