基于子空间的多视图学习理论和方法研究

发布时间：2023-12-24 15:52

　　随着信息采集技术的迅猛发展,多视图数据在实际应用中随处可见。如何从多视图数据中提取有用信息成为目前模式识别领域的研究热点。不同视图反映了物体的不同特性,并且互为补充。因此,有效地融合不同视图信息,学习多视图数据潜在的低维表示,可以获得对物体的深刻认识,对于后续数据分析性能的改善、学习算法复杂度的缩减至关重要。本文从多视图共享子空间学习的角度入手,围绕多视图数据的特性如维度高、噪音大、各视图数据存在差异性、相关性等,开展完整多视图数据表示学习研究、不完整多视图数据表示学习研究。主要创新点包括:(1)针对目前大部分的多视图学习方法通常假设各视图数据相互独立、对最终语义表示的贡献是等同的,忽略各视图之间的关联性和差异性的问题,提出了一种有效的完整多视图数据表示学习方法(tRLMvC)。该方法由两部分组成:多视图数据的自表示张量学习和Tucker分解自表示张量。前者首先设计三阶张量表示原始多视图数据,然后利用具有循环卷积功能的t-product操作学习自表示张量,以便深入探索多视图数据间的相关性,包括同一视图内样本间的相关性,及不同视图间的关联性。后者引用Tucker分解以便在量化各视图的重要...

【文章页数】：104 页

【学位级别】：博士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景和意义
    1.2 关键科学问题
    1.3 本文主要研究内容
    1.4 论文组织结构
2 相关工作概述
    2.1 基于子空间的多视图数据表示学习
        2.1.1 完整多视图数据表示学习
        2.1.2 不完整多视图数据表示学习
    2.2 张量及其基本运算
    2.3 ADMM优化框架
3 完整多视图数据表示学习
    3.1 引言
    3.2 相关工作
    3.3 完整多视图数据表示学习模型
        3.3.1 符号标记
        3.3.2 自表示张量学习
        3.3.3 低维表示学习
    3.4 优化求解
        3.4.1 更新Z
        3.4.2 更新β、U、V及W
        3.4.3 时间复杂度分析
    3.5 实验结果及分析
        3.5.1 数据集
        3.5.2 对比方法
        3.5.3 参数的影响
        3.5.4 与相关工作的对比实验
        3.5.5 tRLMvC性能分析
        3.5.6 tRLMvC收敛性分析
    3.6 本章小节
4 不完整跨视图哈希表示学习
    4.1 引言
    4.2 相关工作
    4.3 不完整跨视图哈希学习模型
        4.3.1 问题描述
        4.3.2 模型构建
        4.3.3 优化算法
    4.4 实验结果及分析
        4.4.1 数据集
        4.4.2 对比方法
        4.4.3 评价指标
        4.4.4 实验结果及分析
    4.5 本章小结
5 多视图数据特征重要性和表示学习
    5.1 引言
    5.2 相关工作
    5.3 加权多视图数据表示学习方法
        5.3.1 模型介绍
        5.3.2 优化过程
    5.4 实验结果及分析
        5.4.1 数据集和对比方法
        5.4.2 性能评估
    5.5 本章小结
6 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
攻读博士学位期间发表的学术论文
学位论文数据集



本文编号：3874827