多视图子空间聚类/表示学习(Multi-view Subspace Clustering/Representation Learning)
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
- 这篇博文主要对张长青团队的四篇文章(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)的算法进行介绍。由于第三篇文章是第四篇文章中的一部分内容(线性部分)，因此第三篇文章直接参看"Generalized Latent Multi-View Subspace Clustering"中的前半部分内容即可。
- 第一篇文章主要是将低秩张量约束引入到了多视角子空间聚类，联合地学习各视角的子空间表达以同时挖掘视角内及视角间的高阶关联信息。
- 第二篇文章在第一篇文章的基础上，引入先验信息，可能是监督信息，来学习子空间表示，用于分类任务，如果先验信息没有的话，该方法就退化为第一篇文章的算法，用于无监督聚类任务。
- 而后两篇文章主要是假设多个视图共享同一个公共子空间表示Z，而不是每个视图都有一个各自的子空间表示。第三篇是线性映射，第四篇新增了一个非线性映射，引入神经网络进行非线性映射，来学习公共的潜在表示H。
- 多视图子空间聚类主要思想是通过某些算法得到子空间表示(可以是每个视图各自的，也可以是一个公共的)Z，然后构造相似度矩阵S，最后利用谱聚类算法来得到最终的聚类结果。
1. 基础知识
2. Low-Rank Tensor Constrained Multiview Subspace Clustering
3. Tensorized Multi-view Subspace Representation Learning
4. Generalized Latent Multi-View Subspace Clustering
这篇文章主要就是：X(数据，每个视图的)->H(潜在表示矩阵，公共的)->Z(系数矩阵，公共的)->W(构造相似度矩阵)->聚类。线性与非线性取决于X->H这里用的是线性映射，还是非线性映射(神经网络)。
5. 参考文献
[1] C. Zhang et al., "Low-Rank Tensor Constrained Multiview Subspace Clustering," 2015 IEEE International Conference on Computer Vision (ICCV), 2015.
[2] 张长青. 基于自表达的多视角子空间聚类方法研究[D].天津大学,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] 张长青个人主页-天津大学智能与计算学部 http://cic.tju.edu.cn/faculty/zhangchangqing/research.html
[7] 交替方向乘子法（Alternating Direction Method of Multipliers）-凯鲁嘎吉 博客园
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
