.png){kind=icon}
返回
Deep embedding with consensus self-expressiveness for subspace clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133788.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，子空间聚类在计算机视觉和模式识别领域受到了广泛关注。然而，大多数这些方法仅关注学习输入或潜在空间中的自表达关系，而非样本的嵌入。因此，它们在捕捉子空间结构方面的能力有限，更重要的是无法处理样本外数据。此外，这些方法需要较高的时间和空间复杂度，导致难以扩展到大规模数据集。本文提出了一种新颖的子空间聚类框架，称为具有共识自表达性的深度嵌入（DECSE），它同时学习一个显式的非线性映射，将输入样本嵌入到对应的深度表示中，并学习一个计算输入和潜在空间中共识自表达性系数的函数。显式映射和函数的使用能够有效解决样本外问题，同时共识子空间的检测有助于提升聚类的鲁棒性。在多个基准数据集上的大量实验表明，所提出的方法显著优于相关最先进方法。
Keyword:
subspace clustering
deep embedding
self-expressiveness
consensus learning
out-of-sample data
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容