基于核典型相关分析的多视图谱聚类算法

提出并讨论了一种基于核典型相关谱聚类假设的多视图协同聚类方法。目的是寻求从多个表示中找到一致的解决方法,利用每个表示中的信息来提高经典聚类模型的性能。为了展示该方法的有效性,在6个具有不同大小和特征的图像数据集、文本数据集上进行了实验。实验结果充分证实了基于核典型相关分析的多视图谱聚类算法的性能优于经典的单视图K-means、K-means级联(CK)、多视图K-means(MK)、单视图谱聚类(SC)、SC级联(CSC)和多视图谱聚类(MSC),且具有更好的聚类准确度和鲁棒性。

面向室外移动机器人的雷达–图像跨模态检索

移动机器人主要依靠激光雷达采集的点云和摄像机采集的图像信息来感知周围环境.在极端天气或夜晚的情况下,摄像机采集图像会受到极大干扰;本文基于聚类典型相关分析(cluster-canonical correlation analysis,cluster–CCA)提出一种面向室外移动机器人的雷达图像跨模态检索技术,首先利用深度学习网络提取点云和图像的特征,然后使用聚类典型相关分析将两种模态的特征映射到子空间,最后计算欧氏距离进行检索,可以从图像数据库中检索得出与点云最相似的图像文件.本文所提出的方法在KITTI数据集上进行了验证,实现了从点云到图像的跨模态检索,结果验证了cluster–CCA在室外移动机器人雷达图像检索方面应用的有效性.