CN113221974B - 一种交叉图匹配不完整多视图聚类方法及装置 - Google Patents
一种交叉图匹配不完整多视图聚类方法及装置 Download PDFInfo
- Publication number
- CN113221974B CN113221974B CN202110453720.3A CN202110453720A CN113221974B CN 113221974 B CN113221974 B CN 113221974B CN 202110453720 A CN202110453720 A CN 202110453720A CN 113221974 B CN113221974 B CN 113221974B
- Authority
- CN
- China
- Prior art keywords
- matrix
- missing
- data
- map matching
- incomplete
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000013507 mapping Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000295 complement effect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种交叉图匹配不完整多视图聚类方法及装置,方法包括:建立不完整多模态数据的缺失值填充模型,多模态数据包括网页数据或者多媒体数据;建立不完整多模态数据的交叉图匹配模型;结合缺失值填充模型和交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;将交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;采用迭代算法求解三个子问题直到三个子问题收敛,求得最优解。本申请在减少缺失数据的影响的同时,利用模态间一致和互补的信息来使得聚类效果得到提升。
Description
技术领域
本申请涉及图像聚类技术领域,尤其涉及一种交叉图匹配不完整多视图聚类方法及装置。
背景技术
在大数据时代,数据采集渠道与特征提取的种类日益多样,使得同一对象可以从多种数据源、特征进行描述,产生多模态数据,例如一个网页数据可以由文本来刻画,同时也可以由指向该页面的超链接来描述;一个多媒体片段数据可以由其视频和音频信号同时描述。在实际应用中,由于标签采集费时费力,往往只能采集到少量监督信息,而多模态半监督聚类方法能将有限的监督信息与大量的无监督信息结合起来学习,大大地提升了聚类效果。
然而在实际应用中,由于数据采集器的临时失效或者人为失误,导致某些模态的数据缺失,往往会得到不完整的多视图数据。现有的多模态聚类算法大多基于完整数据而设计,无法直接处理不完整多模态数据,因此不完整多模态聚类应运而生,旨在减少缺失数据的影响的同时,利用模态间一致和互补的信息来使得聚类效果得到提升。
发明内容
本申请实施例提供了一种交叉图匹配不完整多视图聚类方法及装置,使得在减少缺失数据的影响的同时,利用模态间一致和互补的信息来使得聚类效果得到提升。
有鉴于此,本申请第一方面提供了一种交叉图匹配不完整多视图聚类方法,所述方法包括:
建立不完整多模态数据的缺失值填充模型,所述多模态数据包括网页数据或者多媒体数据;
建立不完整多模态数据的交叉图匹配模型;
结合所述缺失值填充模型和所述交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;
将所述交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
采用迭代算法求解所述三个子问题直到三个子问题收敛,求得最优解。
可选的,所述缺失值填充模型的目标函数为:
式中,X(v)为不完整模态数据,X(v)∈Rdv×N,dv是第v个模态的特征维度,{E(1),E(2),...,E(m)}表示多个模态的缺失数据,其中E(v)∈Rdv×nv,nv是第v个模态的缺失样本数,(N-nv)是第v个模态实际样本数;关系矩阵W(v)∈Rnv×N,如果E(v)中第i个节点是X(v)中第j个节点,那么反之为0;U(v)∈Rdv×N,v=1,2,...,m表示多模态数据的映射空间;λ1>0是权衡参数;是G(v)的拉普拉斯矩阵,特征相似性矩阵G(v)∈Rdv×dv由互knn图构建。
可选的,所述交叉图匹配模型的目标函数为:
可选的,所述交叉图匹配不完整多视图聚类模型的目标函数为:
可选的,所述采用迭代算法求解所述三个子问题直到三个子问题收敛,求得最优解,包括:
初始化连接矩阵S;
固定映射空间U(v)和连接矩阵S(v),更新缺失矩阵E(v);
固定缺失矩阵E(v)和连接矩阵S(v),更新映射空间U(v);
固定缺失矩阵E(v)和映射空间U(v),通过迭代算法求解连接矩阵S(v)的目标方程。
可选的,所述初始化连接矩阵S包括:
可选的,所述固定映射空间U(v)和连接矩阵S(v),更新缺失矩阵E(v),包括:
可选的,所述固定缺失矩阵E(v)和连接矩阵S(v),更新映射空间U(v),包括
可选的,固定缺失矩阵E(v)和映射空间U(v),通过迭代算法求解连接矩阵S(v)的目标方程,包括:
本申请第二方面提供一种交叉图匹配不完整多视图聚类装置,所述装置包括:
第一建立单元,用于建立不完整多模态数据的缺失值填充模型,所述多模态数据包括网页数据或者多媒体数据;
第二建立单元,用于建立不完整多模态数据的交叉图匹配模型;
第三建立单元,用于结合所述缺失值填充模型和所述交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;
分解单元,用于将所述交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
求解单元,用于采用迭代算法求解所述三个子问题直到三个子问题收敛求得最优解。
从以上技术方案可以看出,本申请具有以下优点:
本申请中,提供了一种交叉图匹配不完整多视图聚类方法及装置,方法包括:建立不完整多模态数据的缺失值填充模型,多模态数据包括网页数据或者多媒体数据;建立不完整多模态数据的交叉图匹配模型;结合缺失值填充模型和交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;将交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;采用迭代算法求解三个子问题直到三个子问题收敛,求得最优解。
本申请将缺失数据作为优化量,使得缺失值满足视图的潜在特征结构,从而降低缺失数据对聚类的影响。同时运用图学习方法,创新性地将可能变化的视图表示转化为具有不变性的图连接强度,并最小化不同视图之间的成对连接图的差异达到视图共识目标,从而有效的减少缺失数据的影响的同时,利用模态间一致和互补的信息来使得聚类效果得到提升。
附图说明
图1为本申请一种交叉图匹配不完整多视图聚类方法的一个实施例中的方法流程图;
图2为本申请一种交叉图匹配不完整多视图聚类装置的一个实施例的装置结构图;
图3为本申请实施例中采用交叉图匹配不完整多视图聚类算法的流程实例图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1为本申请一种交叉图匹配不完整多视图聚类方法的一个实施例的方法流程图,如图1所示,图1中包括:
101、建立不完整多模态数据的缺失值填充模型,多模态数据包括网页数据或者多媒体数据;
需要说明的是,本申请中的多模态数据可以包括网页数据或者多媒体数据等,例如一个网页数据可以由文本来刻画,同时也可以由指向该页面的超链接来描述;一个多媒体片段数据可以由其视频和音频信号同时描述。本申请就是对这一类数据进行聚类处理。
具体的,对于给定具有N个样本、m个模态的多模态数据{X(1),X(2),...,X(m)},其中X(v)∈Rdv×N,dv是第v个模态的特征维度,每个模态的缺失样本用0表示。{E(1),E(2),...,E(m)}表示多个模态的缺失数据,其中E(v)∈Rdv×nv,nv是第v个模态的缺失样本数,(N-nv)是第v个模态实际样本数。
本申请可以将缺失数据{E(v),v=1,2,...,m}看作可优化变量,使其在聚类的同时,遵循各自模态下的特征分布进行优化更新,即利用了缺失数据隐藏的语义信息。缺失值填充模型为:
即E(v)W(v)可以正好对应于模态缺失数据,即对应图3左半部分所示的缺失部分,由图3可知,X(v)+E(v)W(v)可以表示填充后的完整模态信息。表示缺失矩阵的第i行,表示v模态下第i个特征,表示特征i和特征j之间的相似度。公式中的作用是,约束在实际样本条件下相似性强度大的任意两个特征,在缺失样本中其特征也相近。特征相似性矩阵G(v)∈Rdv×dv由互knn图构建,计算方法是,如果不完整模态数据第v个模态的第i个特征是第j个特征的最相近的k个特征并且第j个特征是第i个特征的最相近的k个特征,那么其具有鲁棒性。
102、建立不完整多模态数据的交叉图匹配模型;
需要说明的是,可以令{U(v)∈Rdv×N,v=1,2,...,m}表示多模态的映射空间。这种方式将原始特征作为表示学习的重要依据,U(v)应与X(v)相近,否则会破坏拓扑结构。此外,还应考虑每个样本之间的相似性:如果两个样本在一个模态中具有较高的相似度,那么它们的表示和也很相近。由于不同模态的表示不尽相同,为避免在实现共识目标的时候强制得到共同表示而导致失真的情况,将可能变化的视图表示转化为具有不变性的图连接强度。同样的,图学习需要考虑样本表示之间的关系,如果任意两个样本之间的表示和在v模态中相近,那么应该也比较大。由此可见,表达性和连接性的学习是相互影响的一个过程。根据上述讨论,对每个模态构图为:
和多视图聚类一样,不完整多视图聚类仍要解决两个挑战:1)如何挖掘一致的信息;2)如何表达视图之间的关系。本申请中通过约束映射空间构建的多个连接图之间两两匹配,即最小化任意两个连接图之间的差异,构建视图共识。最小化视图间差异:
即所述交叉图匹配模型的目标函数为:
103、结合缺失值填充模型和交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;
104、将交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
需要说明的是,本申请可以将交叉图匹配不完整多视图聚类模型分解为三个子问题,分别包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S。
105、采用迭代算法求解三个子问题直到三个子问题收敛,求得最优解。
需要说明的是,本申请可以采用迭代算法求解三个子问题直到三个子问题收敛,求得最优解,包括:
501、初始化连接矩阵S;
502、固定映射空间U(v)和连接矩阵S(v),更新缺失矩阵E(v);
需要说明的是,不完整多模态数据矩阵X(v)中对应于缺失矩阵E(v)中的缺失部分均为0,因此更新E(v)的目标方程式可改为:
503、固定缺失矩阵E(v)和连接矩阵S(v),更新映射空间U(v);
需要说明的是,求解U(v)的目标方程为:
504、固定缺失矩阵E(v)和映射空间U(v),通过迭代算法求解连接矩阵S(v)的目标方程。
需要说明的是,求解S(v)的目标方程式为:
可以通过迭代方法求解出S(v),直到连接矩阵收敛S(v)。
本申请将缺失数据作为优化量,使得缺失值满足视图的潜在特征结构,从而降低缺失数据对聚类的影响。同时运用图学习方法,创新性地将可能变化的视图表示转化为具有不变性的图连接强度,并最小化不同视图之间的成对连接图的差异达到视图共识目标,从而有效的减少缺失数据的影响的同时,利用模态间一致和互补的信息来使得聚类效果得到提升。
以上是本申请的方法的实施例,本申请还提供了一种交叉图匹配不完整多视图聚类装置的实施例,如图2所示,图2中包括:
201、第一建立单元,用于建立不完整多模态数据的缺失值填充模型,多模态数据包括网页数据或者多媒体数据;
202、第二建立单元,用于建立不完整多模态数据的交叉图匹配模型;
203、第三建立单元,用于结合缺失值填充模型和交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;
204、分解单元,用于将交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
205、求解单元,用于采用迭代算法求解三个子问题直到三个子问题收敛,求得最优解。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种交叉图匹配不完整多视图聚类方法,其特征在于,包括:
建立不完整多模态数据的缺失值填充模型,所述多模态数据包括网页数据或者多媒体数据;
其中,利用了缺失数据隐藏的语义信息,通过将缺失数据看作可优化变量,使其在聚类的同时,遵循各自模态下的特征分布进行优化更新,所述缺失值填充模型的目标函数为:
式中,X(v)为不完整模态数据,X(v)∈Rdv×N,dv是第v个模态的特征维度,{E(1),E(2),...,E(m)}表示多个模态的缺失数据,其中E(v)∈Rdv×nv,nv是第v个模态的缺失样本数,(N-nv)是第v个模态实际样本数;关系矩阵W(v)∈Rnv×N,如果E(v)中第i个节点是X(v)中第j个节点,那么反之为0;U(v)∈Rdv×N,v=1,2,...,m表示多模态数据的映射空间;λ1>0是权衡参数;是G(v)的拉普拉斯矩阵,特征相似性矩阵G(v)∈Rdv×dv由互knn图构建
建立不完整多模态数据的交叉图匹配模型;其中,将可能变化的视图表示转化为具有不变性的图连接强度;具体为,通过约束映射空间构建的多个连接图之间两两匹配,构建视图共识;所述交叉图匹配模型的目标函数为:
结合所述缺失值填充模型和所述交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;其中,所述交叉图匹配不完整多视图聚类模型的目标函数为:
将所述交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
采用迭代算法求解所述三个子问题直到三个子问题收敛,求得最优解,包括:
初始化连接矩阵S;其中,为减少缺失值对构图的影响,采用实际样本数据构建相似图;
固定映射空间U(v)和连接矩阵S(v),更新缺失矩阵E(v);
固定缺失矩阵E(v)和连接矩阵S(v),更新映射空间U(v);
固定缺失矩阵E(v)和映射空间U(v),通过迭代算法求解连接矩阵S(v)的目标方程。
6.一种交叉图匹配不完整多视图聚类装置,其特征在于,包括:
第一建立单元,用于建立不完整多模态数据的缺失值填充模型,所述多模态数据包括网页数据或者多媒体数据;
其中,利用了缺失数据隐藏的语义信息,通过将缺失数据看作可优化变量,使其在聚类的同时,遵循各自模态下的特征分布进行优化更新,所述缺失值填充模型的目标函数为:
式中,X(v)为不完整模态数据,X(v)∈Rdv×N,dv是第v个模态的特征维度,{E(1),E(2),...,E(m)}表示多个模态的缺失数据,其中E(v)∈Rdv×nv,nv是第v个模态的缺失样本数,(N-nv)是第v个模态实际样本数;关系矩阵W(v)∈Rnv×N,如果E(v)中第i个节点是X(v)中第j个节点,那么反之为0;U(v)∈Rdv×N,v=1,2,...,m表示多模态数据的映射空间;λ1>0是权衡参数;是G(v)的拉普拉斯矩阵,特征相似性矩阵G(v)∈Rdv×dv由互knn图构建
第二建立单元,用于建立不完整多模态数据的交叉图匹配模型;
其中,将可能变化的视图表示转化为具有不变性的图连接强度;具体为,通过约束映射空间构建的多个连接图之间两两匹配,构建视图共识;所述交叉图匹配模型的目标函数为:
第三建立单元,用于结合所述缺失值填充模型和所述交叉图匹配模型的目标函数,建立交叉图匹配不完整多视图聚类模型;其中,所述交叉图匹配不完整多视图聚类模型的目标函数为:
分解单元,用于将所述交叉图匹配不完整多视图聚类模型分解为三个子问题,包括优化缺失矩阵E,求解映射空间U以及更新连接矩阵S;
求解单元,用于采用迭代算法求解所述三个子问题直到三个子问题收敛,求得最优解,包括:
初始化连接矩阵S;其中,为减少缺失值对构图的影响,采用实际样本数据构建相似图;
固定映射空间U(v)和连接矩阵S(v),更新缺失矩阵E(v);
固定缺失矩阵E(v)和连接矩阵S(v),更新映射空间U(v);
固定缺失矩阵E(v)和映射空间U(v),通过迭代算法求解连接矩阵S(v)的目标方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453720.3A CN113221974B (zh) | 2021-04-26 | 2021-04-26 | 一种交叉图匹配不完整多视图聚类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453720.3A CN113221974B (zh) | 2021-04-26 | 2021-04-26 | 一种交叉图匹配不完整多视图聚类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221974A CN113221974A (zh) | 2021-08-06 |
CN113221974B true CN113221974B (zh) | 2022-02-08 |
Family
ID=77089186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453720.3A Active CN113221974B (zh) | 2021-04-26 | 2021-04-26 | 一种交叉图匹配不完整多视图聚类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221974B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947135B (zh) * | 2021-09-27 | 2022-07-08 | 华东师范大学 | 基于缺失图重构和自适应近邻的不完整多视图聚类方法 |
CN114461961B (zh) * | 2021-12-30 | 2024-08-20 | 大连理工大学 | 基于nmf和低秩张量的不完整多模态媒体数据聚类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508752A (zh) * | 2018-12-20 | 2019-03-22 | 西北工业大学 | 一种基于结构化锚图的快速自适应近邻聚类方法 |
CN109993214A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 基于拉普拉斯正则化和秩约束的多视图聚类方法 |
CN110175631A (zh) * | 2019-04-28 | 2019-08-27 | 南京邮电大学 | 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129477B (zh) * | 2011-04-23 | 2013-01-09 | 山东大学 | 一种多模态联合的图像重排序方法 |
US10681060B2 (en) * | 2015-05-05 | 2020-06-09 | Balabit S.A. | Computer-implemented method for determining computer system security threats, security operations center system and computer program product |
US10304263B2 (en) * | 2016-12-13 | 2019-05-28 | The Boeing Company | Vehicle system prognosis device and method |
CN107492101B (zh) * | 2017-09-07 | 2020-06-05 | 四川大学 | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 |
US10885379B2 (en) * | 2018-09-04 | 2021-01-05 | Inception Institute of Artificial Intelligence, Ltd. | Multi-view image clustering techniques using binary compression |
CN111079565B (zh) * | 2019-11-27 | 2023-07-07 | 深圳市华汉伟业科技有限公司 | 视图二维姿态模板的构建方法及识别方法、定位抓取系统 |
-
2021
- 2021-04-26 CN CN202110453720.3A patent/CN113221974B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508752A (zh) * | 2018-12-20 | 2019-03-22 | 西北工业大学 | 一种基于结构化锚图的快速自适应近邻聚类方法 |
CN109993214A (zh) * | 2019-03-08 | 2019-07-09 | 华南理工大学 | 基于拉普拉斯正则化和秩约束的多视图聚类方法 |
CN110175631A (zh) * | 2019-04-28 | 2019-08-27 | 南京邮电大学 | 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法 |
Non-Patent Citations (5)
Title |
---|
A study of graph-based system for multi-view clustering;Hao Wang 等;《Knowledge-Based Systems》;20181028;第1009-1019页 * |
Adaptive Graph Completion Based Incomplete Multi-View Clustering;Jie Wen 等;《IEEE TRANSACTIONS ON MULTIMEDIA》;20200803;第2493-2504页 * |
Multi-view semi-supervised learning for classification on dynamic networks;Chuan Chen 等;《Knowledge-Based Systems》;20200227;第1-9页 * |
Unified Embedding Alignment with Missing Views Inferring for Incomplete Multi-View Clustering;Jie Wen 等;《The Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19)》;20190717;第5393-5400页 * |
多视图构建模型研究;常晓静;《中国优秀硕士学位论文全文数据库信息科技辑》;20200315;第1-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113221974A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221974B (zh) | 一种交叉图匹配不完整多视图聚类方法及装置 | |
Zhang et al. | Multi-label learning with label-specific features by resolving label correlations | |
Li et al. | Deep convolutional computation model for feature learning on big data in internet of things | |
Luo et al. | Efficient extraction of non-negative latent factors from high-dimensional and sparse matrices in industrial applications | |
Zhang et al. | Active semi-supervised learning based on self-expressive correlation with generative adversarial networks | |
CN107766555B (zh) | 基于软约束无监督型跨模态哈希的图像检索方法 | |
CN112581515B (zh) | 基于图神经网络的户外场景点云配准方法 | |
CN103678671A (zh) | 一种社交网络中的动态社区检测方法 | |
CN110188148B (zh) | 面向多模异构特征的实体识别方法及装置 | |
CN113468227A (zh) | 基于图神经网络的信息推荐方法、系统、设备和存储介质 | |
WO2023164929A1 (zh) | 多源遥感图像融合方法、装置、设备及存储介质 | |
Zhao et al. | Pyramid regional graph representation learning for content-based video retrieval | |
Zheng et al. | Instance-wise weighted nonnegative matrix factorization for aggregating partitions with locally reliable clusters | |
Yang et al. | Representation learning via serial autoencoders for domain adaptation | |
CN108900320A (zh) | 一种互联网测试床拓扑结构大比例规模缩减方法及装置 | |
Etezadifar et al. | Scalable video summarization via sparse dictionary learning and selection simultaneously | |
CN112418319A (zh) | 一种多视子空间聚类方法及装置 | |
CN115983341A (zh) | 一种基于关系聚合超图的节点分类方法 | |
Ma et al. | Identification of multi-layer networks community by fusing nonnegative matrix factorization and topological structural information | |
Wu et al. | Subspace-based self-weighted multiview fusion for instance retrieval | |
Lu et al. | O-minus decomposition for multi-view tensor subspace clustering | |
Duong et al. | Graph embeddings for one-pass processing of heterogeneous queries | |
CN108228823A (zh) | 一种高维图像数据降维的二值编码方法及系统 | |
CN112084425A (zh) | 一种基于节点连接和属性相似度的社团发现方法和系统 | |
Yang et al. | Robust structured convex nonnegative matrix factorization for data representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |