闫金涛, 李钟毓, 唐启凡, 周志豪

(西安交通大学软件学院, 710049, 西安)

在图像处理或者文本处理任务中,往往需要处理高维数据,子空间聚类算法是一种处理高维数据的常用聚类算法。高维数据一般嵌入在低维子空间中,子空间聚类利用这一特性在不同的子空间中寻找合理的聚类划分[1]。具体而言,给定一个来自多个子空间并集的数据集,子空间聚类的任务就是计算出子空间的数目、维度、每个子空间对应的基和数据分割[1]。因为子空间聚类算法在处理高维数据时效果很好,所以被广泛应用于运动分割[2-3]、面部分类[4-5]和电影推荐[6-7]等领域。

基于稀疏表示和低秩表示的子空间聚类算法[8]受到学者们的广泛关注,这些算法利用无噪声样本点具有自表达的特性,实现对样本点的重建,即每个样本点可以被表示为其他样本点的线性组合[9-13]。SSC算法在数据重建过程中添加l1正则化约束,保留更加关键的信息[11];针对实际采样过程中噪声难以避免的问题,Liu等将低秩表示约束引入到目标函数中[12];部分学者认为,实际的样本点之间的自表达关系并不一定仅仅是线性的,也有可能是非线性的[14-15]。DSC算法[14]、DLRSC算法[15]将深度神经网络引入到模型中,需要更加合适的自表达关系。实验证明,基于深度学习的子空间聚类算法往往可以更有效地挖掘数据点之间的复杂关系,找到更恰当的自表达方式,从而获得更优的聚类性能。

多视角数据是从多个来源或者不同测量方法得到的,在实际应用中很常见[16]。……