![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文
文章平均质量分 84
本人的笔记本
weixin_43267093
这个作者很懒,什么都没留下…
展开
-
【阅读】CVCL
多视图聚类(MVC)旨在通过将数据样本分类到聚类中来揭示多视图数据的潜在结构。基于深度学习的方法在大规模数据集上表现出强大的特征学习能力。对于大多数现有的深度多视图聚类方法,探索多个视图的不变表示仍然是一个棘手的问题。在本文中,提出了一种跨试图对比学习(CVCL)方法,该方法学习视图不变表示,并通过对比多个视图之间的聚类分配来产生聚类结果。具体来说,首先使用深度自动编码器在预训练阶段提取视图相关特征;接下来提出了一种聚类级CVCL策略,旨在在微调阶段探索多个视图中一致语义标签信息。原创 2024-01-26 21:42:01 · 353 阅读 · 0 评论 -
【阅读】AMVC
现有的深度多视图聚类方法主要基于自动编码器网络,这些方法寻求共同的潜在变量去单独地重构每个视图的原始输入。然而,由于视图特定的重构损失,要在多个视图上提取一致的潜在表示进行聚类是具有挑战性的。为了解决这个问题,本文提出了对抗性多视图聚类网络。该方法根据不同视图之间的融合潜在表示生成每个视图的样本,以促使更一致的聚类结构。具体而言,多视图编码器用于从所有视图中提取潜在描述,相应的生成器用于生成重构的样本。判别网络和均方损失被联合用来训练多视图编码器和生成器,以平衡每个视图潜在表示的独特性和一致性。原创 2024-01-18 22:06:55 · 872 阅读 · 0 评论 -
【论文阅读】JSSI
多视图数据描述了具有不同特征模态的图像样本,从而为数据提供了更全面的描述。它的三个基本特征,即共识、互补和冗余,决定了它在计算机视觉任务中的性能。在本文中,我们有效地利用上述三个特征,提出了一种具有联合共享和特定信息 (JSSI) 的深度学习方案进行多视图聚类。为了促进共识,JSSI 通过对抗性相似性约束提取多视图数据的共享信息,该约束是通过分类和判别交互实现的。为了减少冗余,JSSI 分离出特定于视图的特征,并通过差异约束防止它们干扰共享特征。原创 2024-01-17 20:34:05 · 887 阅读 · 0 评论