申请/专利权人:江苏大学
申请日:2020-08-19
公开(公告)日:2024-03-19
公开(公告)号:CN112148911B
主分类号:G06F16/55
分类号:G06F16/55;G06F17/14;G06F17/15
优先权:
专利状态码:有效-授权
法律状态:2024.03.19#授权;2021.01.15#实质审查的生效;2020.12.29#公开
摘要:本发明公开了一种多视图本征低秩结构的图像聚类方法,采集v个视图组成多视图数据集X;初始化变量,包括构造多视图数据集X的邻接矩阵W、出度矩阵D和拉普拉斯矩阵L;根据数据集X、初始化邻近矩阵W和拉普拉斯矩阵L构造目标优化函数;利用增广拉格朗日乘法对目标优化函数进行处理,更新各项变量并计算计算损失函数;设置迭代循环条件,直到满足循环条件则退出循环,输出的邻接矩阵W为最优解;根据得出的最优相似矩阵W,对相似矩阵W使用强连通分量算法,即可得出多视图数据集的聚类标签。本发明充分利用多视图数据的信息,同时添加相似矩阵动态调节约束,让谱聚类能够利用共同低秩Z0的信息,从而提高聚类的准确性。
主权项:1.一种多视图本征低秩结构的图像聚类方法,其特征在于,包括如下步骤:步骤1,采集v个视图组成多视图数据集X={x1,x2,…,xi,…,xv},其中,xi为第i个视图;步骤2,初始化变量,包括构造多视图数据集X的邻接矩阵W、出度矩阵D和拉普拉斯矩阵L;步骤3,根据数据集X、初始化邻近矩阵W和拉普拉斯矩阵L构造目标优化函数,所述目标优化函数表示为: s.t.Xi=XiPi+Ei,Pi=Zi+Z0,Pi=Ui,FTF=I,wij≥0,其中,为相似矩阵动态调节项,λ1、λ2、λ3均为平衡因子;Ui为松弛变量,i=1,2,…,v;Zi为第i个视图独立的特征部分,i=1,2,…,v;Zj为第j个视图独立的特征部分,j=1,2,…,v;Z0为本征低秩部分,Tr·为矩阵迹运算,为Zi的转置;F为指示矩阵,FT为指示矩阵的转置,L为拉普拉斯矩阵,Ei为第i个视图的残差项,i=1,2,…,v;Xi为多视图数据集X的第i个视图,i=1,2,…,v;Pi为数据集的低秩成分,i=1,2,…,v;I代表单位矩阵,‖·‖F、‖·‖*、‖·‖1、‖·‖2,1分别表示矩阵的F范数、核范数、1范数和21范数;步骤4,利用增广拉格朗日乘法对目标优化函数进行处理,更新各项变量并计算损失函数;步骤5,设置迭代循环条件,直到满足循环条件则退出循环,输出的邻接矩阵W为最优解;步骤6,根据步骤5计算得出的邻接矩阵W,对邻接矩阵W使用强连通分量算法,即可得出多视图数据集的聚类标签。
全文数据:
权利要求:
百度查询: 江苏大学 一种多视图本征低秩结构的图像聚类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。