科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对深度多视子空间聚类网络在进行数据融合时不能区分各视图可靠性，以及缺乏对多视数据间一致性信息与互补性信息的利用等问题，提出一种基于自适应的权重融合深度多视子空间聚类(deep multi-view subspace clustering based on adaptive weight fusion, DMSC-AWF)方法。首先，通过使各视图共享同一个自表示层学习一个公共的表示矩阵，同时为各视图分别构建自表示层来学习各视图特定的表示矩阵，以此确保多视数据的一致性信息和互补性信息得以有效利用。然后，在共享自表示层基础上引入注意力模块来量化不同视图的重要性，注意力模块自适应地为每个视图数据分配权重。最后，在4个公开数据集上进行聚类实验，该方法的聚类结果相比于对比方法有明显的提升，并且，通过退化实验验证了注意力模块学习视权重的有效性和重要性。
- 单位
