.png){kind=icon}
返回
Probabilistically Aligned View-Unaligned Clustering With Adaptive Template Selection
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3618984.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在大多数现有的多视角建模场景中，来自不同视角的同一目标实例之间的跨视角对应关系（CVC），如配对的图像-文本数据，是轻松推导一致表示的关键前提。然而，在某些应用中，这一前提常常受到破坏，因为每个视角被独立组织和传输，导致视角未对齐问题（VuP）。恢复未对齐多视角数据的CVC是一项具有挑战性且要求极高的任务，该任务并未得到研究界的广泛关注。为了应对这一实际挑战，我们提出将排列推导过程整合到用于视角未对齐聚类的二分图范式中，该方法被称为带有自适应模板选择的概率对齐视角未对齐聚类（PAVuC-ATS）。具体而言，我们通过二分图学习一致的锚点和视角特定的图，并通过将两个潜在表示之间的对齐问题重新表述为带有自适应模板选择的2步马尔可夫链转移，推导应用于未对齐图的排列，从而实现概率对齐。所得优化问题的收敛性在实验和理论上均得到验证。在六个基准数据集上的广泛实验表明，所提出的PAVuC-ATS方法优于基线方法。
Keyword:
Multi-view clustering
view-unaligned problem
cross-view correspondence
bipartite graph
markov chain
期刊
IF:
18.6
论文数:
1.0K
被引数:
9.8W
机构
引用论文
Centric graph regularized log-norm sparse non-negative matrix factorization for multi-view.png)
SIGNAL PROCESSING
OAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏
Fast Parameter-Free Multi-View Subspace Clustering With Consensus Anchor Guidance共识锚引导的无参数多视图子空间快速聚类
PREAI
分享收藏Robust multi-view non-negative matrix factorization with adaptive graph and diversity constraints
PREAI
分享收藏
查看更多内容