论文部分内容阅读
多视角聚类要解决的关键问题是如何有效融合来自多个不同视角的信息,从而更加准确地发现数据潜在的结构,提高聚类效果。当前尽管存在一些基于多视角数据的学习方法,然而,大多数多视角学习方法主要聚焦于监督或者半监督学习,依赖于标注数据指导学习过程。相对于标注数据,现实中的无标注数据非常丰富。随着计算机在计算、存储能力方面的极大提高,有效利用大规模、无标注的数据越来越重要。然而,由于缺少标注数据的指导,无监督或者弱监督条件下的数据分析更具挑战性。本文聚焦于无监督或弱监督条件下多视角数据上的聚类方法,研究如何有效融合多视角信息及先验约束提升聚类效果。具体来讲,主要包括以下三个方面的研究内容:1)增强互补性的多视视角聚类针对当前多视角聚类方法中,在构建各视角相似度矩阵时忽略了视角之间的互补性约束的问题,提出了多样性诱导的多视角子空间聚类方法。利用希尔伯特-斯密特独立性标准做为多样性度量,挖掘多视角子空间表达的互补性。2)高阶关联的多视视角聚类针对当前的多视角聚类方法仅利用成对的视角关联而忽略了多视角之间的高阶关联的问题,提出了低秩张量约束的多视角子空间聚类,通过引入低秩张量约束来挖掘和利用多视角之间的互补性。3)融合约束的多视视角聚类针对聚类过程中存在的先验信息,提出了约束的多视角聚类方法,聚焦于同时有效利用先验约束和多视角一致性提升聚类效果。并以视频人脸聚类做为应用范例,提出了约束的多视角视频人脸聚类框架。所提出的三种方法验证了挖掘视角之间的互补性、减少视角之间的冗余以及有效利用约束信息是提高聚类效果的有效手段。