-
题名基于判别稀疏性表示的不完整多视图分类
被引量:2
- 1
-
-
作者
辛利柯
杨琬琪
杨明
-
机构
南京师范大学计算机科学与技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2021年第10期1938-1948,共11页
-
基金
国家自然科学基金(62076135,61876087)
江苏省自然科学基金(BK20171479)
赛尔网络下一代互联网技术创新项目(NGII20180604)。
-
文摘
传统多视图学习通常假设样本在每个视图都是完整的,但是由于数据难以获取、设备故障、遮挡等因素,这一假设并不总能成立,而传统的多视图学习方法很难有效处理不完整多视图数据。目前,研究者们已经提出了一些不完整多视图学习的方法,但是这些方法没有充分利用样本类别信息,从而影响恢复后样本的判别性。因此,提出基于判别稀疏性表示的不完整多视图分类方法(IMVC-DSR)。具体地,该方法假设缺失样本可用少量观测样本稀疏线性表示。同时,为了充分利用类别先验信息,增加恢复后样本的判别性,该方法鼓励相同类别样本之间相互表示,降低不同类别样本之间的相互表达。此外,该方法考虑到视图之间的相关关系,引入选择算子选出不同视图的相同样本,并约束相同样本在不同视图的线性表达具有一致性。最后,在公开的五组数据集上验证了所提方法IMVC-DSR的有效性。
-
关键词
多视图学习
不完整多视图学习
稀疏表示
视图一致性
-
Keywords
multi-view learning
incomplete multi-view learning
sparse representation
view consistence
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-