A novel data representation framework based on nonnegative manifold regularisation
A novel data representation framework based on nonnegative manifold regularisation
复制标题
一种基于非负流形正则化的新型数据表示框架
DOI：
10.1080/09540091.2020.1772722
复制
发表时间：
2020-06
影响因子：
5.3
通讯作者：
Gaudiot Jean-Luc
中科院分区：
文献类型：
--
作者：
Jiang Yan;Liang Wei;Tang Jintian;Zhou Hongbo;Li Kuan-Ching;Gaudiot Jean-Luc
表示学习技术在多媒体内容分析和检索中得到了广泛的应用。本文提出了一种高效的多媒体数据聚类方法，该方法由两个独立的算法组成。首先，在优化目标函数中引入稀疏编码和流形正则化，提出了一种新的表示框架，通过引入稀疏范数粗略估计聚类指标矩阵。其次，我们通过执行光谱旋转来改进估计的聚类指标矩阵，以便可以学习聚类的最优分配。与现有方法相比，该方法具有以下优点：同时考虑了全局矩阵重构信息和局部流形信息。因此，全局和局部信息都得到了尊重。此外，本研究还提出了新的表征方法的理论依据。综合实验证明了我们的方法在六个真实图像数据集上与最先进的聚类方法的有效性和效率。
ABSTRACT Representation learning techniques have been frequently applied in multimedia content analysis and retrieval. In this study, an efficient multimedia data clustering method is presented, which consists of two independent algorithms. First, we propose a new representation framework by incorporating sparse coding and manifold regularisation in an optimisation objective function, the cluster indicator matrix is estimated by introducing sparsity norm coarsely. Second, we refine the estimated cluster indicator matrix by performing spectral rotation such that an optimal assignment for clustering can be learned. Compared with existing methods, we have the following merits: our method takes into account the global matrix reconstruction information and locality manifold information simultaneously. Therefore, global and locality information both are respected. Additionally, theoretical justification about the novel representation method is presented in this study. Comprehensive experiments demonstrate the effectiveness and efficiency of our method in comparison with the state-of-the-art clustering methods on six real-world image datasets.
登录
查看更多内容
DOI：
10.1007/bfb0015522
发表时间：
1996-04
期刊：
--
影响因子：
--
作者：
P. Belhumeur;J. Hespanha;D. Kriegman
通讯作者：
P. Belhumeur;J. Hespanha;D. Kriegman
DOI：
--
发表时间：
2015-07
期刊：
--
影响因子：
--
作者：
Zhangyang Wang;Yingzhen Yang;Shiyu Chang;Jinyan Li;S. Fong;Thomas S. Huang
通讯作者：
Zhangyang Wang;Yingzhen Yang;Shiyu Chang;Jinyan Li;S. Fong;Thomas S. Huang
TBRS：一种基于信任的车载 CPS 网络推荐方案
DOI：
10.1016/j.future.2018.09.002
发表时间：
2019-03-01
影响因子：
7.5
作者：
Liang, Wei;Long, Jing;Zomaya, Albert Y.
通讯作者：
Zomaya, Albert Y.
DOI：
--
发表时间：
1996
期刊：
--
影响因子：
--
作者：
Sameer A. Nene;S. Nayar;H. Murase
通讯作者：
Sameer A. Nene;S. Nayar;H. Murase
DOI：
10.1109/34.868688
发表时间：
2000-08-01
影响因子：
23.6
作者：
Shi, JB;Malik, J
通讯作者：
Malik, J