多視圖子空間聚類/表示學習(Multi-view Subspace Clustering/Representation Learning)
作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/
- 這篇博文主要對張長青團隊的四篇文章(1)"Low-Rank Tensor Constrained Multiview Subspace Clustering"(2015 ICCV)，(2)"Tensorized Multi-view Subspace Representation Learning"(2020 IJCV)，(3)"Latent Multi-view Subspace Clustering"(2017 CVPR)和(4)"Generalized Latent Multi-View Subspace Clustering"(2020 TPAMI)的演算法進行介紹，由于第三篇文章是第四篇文章中的一部分內容(線性部分)，因此第三篇文章直接參看"Generalized Latent Multi-View Subspace Clustering"中的前半部分內容即可，
- 第一篇文章主要是將低秩張量約束引入到了多視角子空間聚類，聯合地學習各視角的子空間表達以同時挖掘視角內及視角間的高階關聯資訊，
- 第二篇文章在第一篇文章的基礎上，引入先驗資訊，可能是監督資訊，來學習子空間表示，用于分類任務，如果先驗資訊沒有的話，該方法就退化為第一篇文章的演算法，用于無監督聚類任務，
- 而后兩篇文章主要是假設多個視圖共享同一個公共子空間表示Z，而不是每個視圖都有一個各自的子空間表示，第三篇是線性映射，第四篇新增了一個非線性映射，引入神經網路進行非線性映射，來學習公共的潛在表示H，
- 多視圖子空間聚類主要思想是通過某些演算法得到子空間表示(可以是每個視圖各自的，也可以是一個公共的)Z，然后構造相似度矩陣S，最后利用譜聚類演算法來得到最終的聚類結果，
1. 基礎知識
2. Low-Rank Tensor Constrained Multiview Subspace Clustering
3. Tensorized Multi-view Subspace Representation Learning
4. Generalized Latent Multi-View Subspace Clustering
5. 參考文獻
[1] C. Zhang et al., "Low-Rank Tensor Constrained Multiview Subspace Clustering," 2015 IEEE International Conference on Computer Vision (ICCV), 2015.
[2] 張長青. 基于自表達的多視角子空間聚類方法研究[D].天津大學,2016.
[3] C. Zhang et al., "Tensorized Multi-view Subspace Representation Learning," International Journal of Computer Vision 9(2020).
[4] C. Zhang et al., "Generalized Latent Multi-View Subspace Clustering," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 1, pp. 86-99, 1 Jan. 2020.
[5] C. Zhang et al., "Latent Multi-view Subspace Clustering," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
[6] 張長青個人主頁-天津大學智能與計算學部 http://cic.tju.edu.cn/faculty/zhangchangqing/research.html
[7] 交替方向乘子法（Alternating Direction Method of Multipliers）-凱魯嘎吉 博客園
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/251480.html
標籤：其他