论文笔记：Low-Rank Tensor Constrained Multiview Subspace Clustering

Low-Rank Tensor Constrained Multiview Subspace Clustering

Abstract

论文研究多视图子空间聚类的问题，引入低阶张量约束去探索多视图中复杂的信息。
论文方法：
低阶张量约束的多视图子空间聚类（LT-MSC）。
论文思想：
（1）将不同视图的子空间表示矩阵看作一个张量，它捕获灵活地处理多视图数据的高阶相关性。
（2）然后在张量上设置一个低阶约束，对不同视图间的交叉信息进行优雅建模，有效地减少了学习子空间表示的冗余度，提高了聚类的精度。
（3）将聚类邻近矩阵的推理过程表示为一个张量核范数极小化问题，并用一个附加的L_2,1范数正则项和一些线性等式约束。
（4）最小化问题是凸的，因此可以用增广拉格朗日交替方向最小化（AL-ADM）方法有效地求解。
实验测试：
four benchmark image datasets

Introduction

LT-MSC将各个视图的所有子空间表示视为一个高阶结构,即张量，如图Fig1所示：

创新点：

1. 使用一个低阶张量将各个视图的所有子空间表示整合在一起，LT-MSC很好地捕获了高阶信息，从而在我们的大量实验中明显优于以前的方法。
2. 利用张量来捕捉所有视图的整体结构，探索多个视图内部和之间的相关性，而不是保留图像的空间信息。</