无监督学习中的多视角张量分析和深度聚类分析

发布时间：2021-07-02 13:41

　　无监督学习是计算机视觉中的重要研究课题,图像聚类作为无监督学习中的典型应用近年来得到了广泛的关注和快速的发展。在传统图像聚类方法中,基于多视角张量分析的子空间聚类方法将多视图聚类性能提升到了更高的水平,然而,以往基于多视角张量分析的算法是在低秩表示理论的线性假设基础上发展起来的,存在当真实数据采样于多个非线性子空间时其性能不佳的问题。因此本文针对图像聚类中以往基于多视角张量分析的子空间聚类方法无法处理非线性情况的问题展开研究。与此同时,图像检索作为另一常用的无监督学习应用,同样存在索引方面的多视角融合问题,以往方法难以捕获索引视图间的高阶信息,导致多视角索引利用不够充分。针对该问题,本文对图像检索中能否运用图像聚类中的多视角张量分析方法进行探究。此外,深度学习在各个领域都表现出优越的性能,但目前对深度学习用于聚类的研究还比较少,以往存在的深度聚类框架也难以嵌入少量监督信息以进一步提高聚类性能,因此本文对深度聚类的框架展开分析研究。综上,本文对无监督学习中的多视角张量分析和深度聚类分析进行研究,研究内容和主要贡献包括以下几个方面:第一,提出了基于核化多视角张量分析的多视角聚类方法。针对以... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：95 页

【学位级别】：硕士

【部分图文】：

图１．１?ＬＲＲ基本理论示意图??

图１．２?ｔ－ＳＶＤ－ＭＳＣ框架原理图１３８］??

图１．３?ｔ＿ＳＶＤ方法图１７２１??乘积，因此倒排索引结构使得ＣＢＩＲ系统能够处理大规模的数据


本文编号：3260575