基于双重低秩分解的不完整多视图子空间学习
多视图数据在现实世界中应用广泛,各种视角和不同的传感器有助于更好的数据表示,然而,来自不同视图的数据具有较大的差异,尤其当多视图数据不完整时,可能导致训练效果较差甚至失败.为了解决该问题,本文提出了一个基于双重低秩分解的不完整多视图子空间学习算法.所提算法通过两方面来解决不完整多视图问题:一方面,基于双重低秩分解子空间框架,引入潜在因子来挖掘多视图数据中缺失的信息;另一方面,通过预先学习的多视图数据低维特征获得更好的鲁棒性,并以有监督的方式来指导双重低秩分解.实验结果证明,所提算法较之前的多视图子空间学习算法有明显优势;即使对于不完整的多视图数据,该算法也具有良好的分类性能.
子空间学习、监督学习、不完整多视图、潜在因子、低秩约束、双重低秩分解、特征对齐、低维特征
17
TP181(自动化基础理论)
江苏省自然科学基金BK20191331
2023-01-11(万方平台首次上网日期,不代表论文的发表时间)
共9页
1084-1092