软子空间聚类_子空间聚类入门（一）overcomplete

作者：Jeya Maria Jose Valanarasu/Vishal M. Patel

来源：ACCV2020(oral)

题目：Overcomplete Deep Subspace Clustering Networks

注：以下文章包括内容和笔记仅作者个人理解，如有错误或出入请指正。

转载请注明出处

一.个人评价

为原有的子空间聚类的Encoder-decoder，增加了一个新模块，很容易理解，这里稍作记录。

二.总览

针对的issue：Encoder-Decoder这一个方法用于子空间聚类。

存在的不足：undercomplete branch的特征表示不够鲁棒而且很依赖于训练。

解决的手段：增加一个overcomplete branch的特征表示。

优点：更鲁棒的特征。

三.方法

这里解释一下overcomplete branch的结构，三层conv2d+upsampling的组合。

作者这里提到了一个感受野与语义特征的概念，

优点：卷积网络越深层的语义特征信息是越高级的。

随之而来的：但是特征的分辨率是逐渐变小的，在这里由于感受野的大小正相关于卷积核大小，而卷积核大小基本不变，所以导致卷积网络越深层的感受野越大。

影响：因此往往丢失了一些浅层的语义信息，例如边缘，纹理等。

解决办法：所以这里作者增加了一个卷积+上采样的模块弥补这方面信息的丢失，使得特征更加鲁棒。

可视化：

四.结果

OK, 完结撒花，欢迎大家去阅读原文。