蔡 昊，刘 波

（广东工业大学 自动化学院，广东 广州 510006）

在大数据时代，许多应用领域均包含大量的图像数据[1-2]，图像聚类能够有效地处理这些图像数据，因此得到了广泛的关注。目前大量的图像聚类方法[3-4]已经被提出。例如，Ren等[3]提出了一种基于深度密度的图像聚类框架，其首先使用深度卷积自编码去提取图像的低维度特征，而后使用基于密度的聚类方法进行聚类。Yang等[4]为图像聚类提出了一种对偶约束的非负矩阵分解算法，其中一个约束用来保持图像标签特征，而另一个约束用来增强图像表示的稀疏性。

近年来，多示例学习也在图像处理中引起了广泛的关注[5-6]。针对于多示例图像聚类，Zhang等[6]提出了一种大边缘的多示例图像聚类框架，他们首先识别最相关的示例，而后划分这些示例进入几个不同的组。此外，在图像聚类中，人们可以获得除了图像本身之外的其他信息。例如文本信息，其能够完整地描述相应图像的内容。在现实生活中，很容易收集到大量的图像信息和文本信息，并构造它们成两个视角的数据集去解决图像聚类问题。进一步地，也可以为少量的图像添加标签信息，以提高聚类的性能。

本文提出了一种半监督两个视角的多示例聚类模型，其将文本视角引入图像视角去解决具有少量标签的图像聚类问题。该模型首先嵌入概念分解[7]和多示例核成为一个整体，学习每个视角的关联矩阵和两个视角所共享的聚类指示矩阵；……