张荣国 曹俊辉 胡 静 张 睿 刘小君

图像分割将图像划分为几个不重叠且一致的区域,是计算机视觉中目标分类和识别的关键步骤.在现有图像分割算法中,聚类因其高效、快速的特点,成为常用的图像分割方法之一[1].由于数据采集技术的发展,数据来自多个数据源、或可以由多个特征表示,使多视图聚类成为聚类研究的重要方向之一[2].目前,多视图聚类面临的问题是如何充分利用视图的多样性并保持多个视图的一致性,通过多个视图信息获得良好的聚类结果.近年来,研究人员提出多种多视图聚类算法,包括基于图的多视图聚类算法、基于矩阵分解的多视图聚类算法和基于深度学习的多视图聚类算法.

在基于图的多视图聚类算法中,为了去除原始高维数据的噪声和冗余,Zhu等[3]提出OMSC(One-Step Multi-view Spectral Clustering),从低维数据中学习共同亲和矩阵.Ren等[4]利用l1范数,提出RAMC(Robust Auto-Weighted Multi-view Clustering).考虑到数据样本在不同空间的结构关系,胡素婷等[5]提出基于概念分解(Concept Factorization, CF)的显隐空间协同多视图聚类算法(CF-Based Collaborative Multi-view Clustering Algorithm in Visible and Latent Spaces, Co-MVCF),在通过CF保持数据局部结构关系的同时,协同学习数据样本在显式空间和隐式空间的聚类,得到多个视图之间统一的聚类结果.为了避免两阶段图聚类算法中的后处理,Pan等[6]提出MCGC(Multi-view Contrastive Graph Clustering),学习拉普拉斯秩约束图,直接由一致性融合图获得聚类结果.Zhong等[7]提出SCGLD(Simultaneous Con-sensus Graph Learning and Discretization),将共识图学习和离散化整合到一个统一的框架中,避免后续的次优聚类性能.目前,避免后处理的另一个研究方向是利用非负矩阵的……