TPAMI 2024 | 多视角张量谱聚类通过协同正则化

最新推荐文章于 2025-12-20 21:29:49 发布

小白学视觉

最新推荐文章于 2025-12-20 21:29:49 发布

阅读量214

点赞数

CC 4.0 BY-SA版权

分类专栏：论文解读 IEEE TPAMI 文章标签：聚类机器学习支持向量机顶刊论文论文解读 TPAMI IEEE

本文链接：https://blog.youkuaiyun.com/qq_42722197/article/details/142884966

论文解读 IEEE TPAMI 专栏收录该内容

685 篇文章 ¥79.90 ¥99.00

订阅专栏

Multiview Tensor Spectral Clustering via Co-Regularization

多视角张量谱聚类通过协同正则化

Hongmin Cai; Yu Wang; Fei Qi; Zhuoyao Wang; Yiu-ming Cheung

摘要

基于图的多视角聚类将多视角数据编码为样本的亲和性，以寻找共识表示，有效克服了不同视角之间的异质性。然而，传统的亲和性度量随着特征维度的扩大而趋于崩溃，这给估计揭示跨视角和内部关系的统一对齐带来了挑战。为了解决这一挑战，我们提出通过共识表示的协同正则化来实现多视角统一聚类。首先，通过流行的二元亲和性和最近的高阶亲和性来编码样本亲和性，以全面描述HDLSS数据的空间分布。其次，通过协同正则化来对齐多视角低维表示，学习融合共识表示。融合表示的学习在流形空间中通过高阶特征值问题建模，以保持原始数据的内在联系和互补相关性。通过流形最小化设计的数值方案可有效解决高阶特征值问题。在八个HDLSS数据集上的实验表明，与最新的13种基准方法相比，我们提出的方法是有效的。

关键词

高阶亲和性
聚类
融合亲和性
流形优化
张量
谱图

I. 引言

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小白学视觉

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

TPAMI 2024 | 离散且平衡的谱聚类算法：一种可扩展的方法

小白学视觉

08-30

547

谱聚类（SC）因其卓越的聚类性能而成为深入研究的主要课题。尽管取得了成功，但大多数现有的SC方法存在几个关键问题。首先，它们通常涉及两个独立阶段，即学习连续松弛矩阵，然后对聚类指示矩阵进行离散化。这种两阶段方法可能导致次优解，对聚类性能产生负面影响。第二，这些方法很难维持许多现实世界数据中固有的聚类平衡属性，这限制了它们的实际适用性。最后，这些方法在计算上很昂贵，因此无法处理大规模数据集。

TPAMI 2024 | 风格化学习：跨任务和领域的持续语义分割

小白学视觉

11-28

306

Learning With Style: Continual Semantic Segmentation Across Tasks and Domains 风格化学习：跨任务和领域的持续语义分割 Marco Toldo; Umberto Michieli; Pietro Zanuttigh 摘要在现实世界的环境中处理图像理解的深度学习模型必须能够适应不同领域中的广泛任务。领域适应和类别增量学习分别处理领域和任务的可变性，而它们的统一解决方案仍然是一个开放问题。我们同时应对问题的两个方面，考虑到输入和标签

参与评论您还未登录，请先登录后发表或查看评论

高阶相似度张量的多视图聚类

...

07-13

1386

高阶相似度张量的多视图聚类算法是一种先进的机器学习技术，用于处理包含多个不同表示或视角的数据集。这种算法通过构建和分析高阶张量来捕捉数据点之间的复杂关系，特别是那些在传统两两相似度矩阵中无法体现的高阶交互。下面是一个详细的步骤说明，包括所涉及的公式和它们的作用。

彻底搞懂正则化

weixin_37659245的博客

07-29

324

花了一些时间理解了正则化

论文调研-多模态聚类

Willowii的博客

08-05

1597

这个目标函数通过H的L1，2-norm和S的Frobenius 范数项，鼓励模型选择重要的视图和多阶图，同时保持共识图的质量。这样，每个视图的嵌入特征都会在新的张量中与其它视图的特征相邻，从而有助于捕捉视图间的相关性。②局部传播模型：它首先从不完整的数据集中的完整子集获取高质量的伪标签，然后通过图卷积网络将这些伪标签传播到同一视图的不完整样本上，学习视图特定的标签空间，并通过类别概率的平均融合来构建统一的标签空间。基于图的多视图聚类算法通过对不同视图的一阶图进行一致图学习，获得了较好的聚类性能。

基于张量变换域低秩正则化的图像恢复方法

SmartLab307的博客

01-04

2180

在高光谱图像的第三个模态上，又具有波段上的相关性（MRI、RGB图像都具有相似的性质）。这就使得图像的三阶张量表现出一定的低秩性，因而低秩约束被广泛应用于图像恢复。根据张量的低秩性约束与不同张量秩的定义，又有许多低秩张量补全算法用于图像恢复，比如基于Tucker秩的HaLRTC，基于管秩的TNN，基于TT秩的TMac-TT等。本文将介绍两种TRPCA（Tensor Robust Principal Component Analysis）相关的改进算法，旨在诱导出更低的张量秩。

【直观详解】什么是正则化

热门推荐

haima1998的专栏

03-02

9万+

转自：https://charlesliuyx.github.io/2017/10/03/%E3%80%90%E7%9B%B4%E8%A7%82%E8%AF%A6%E8%A7%A3%E3%80%91%E4%BB%80%E4%B9%88%E6%98%AF%E6%AD%A3%E5%88%99%E5%8C%96/https://www.zhihu.com/question/20924039【内容简介】主...

TPAMI 2024| BadLabel：评估与增强标签噪声学习的一种鲁棒视角

小白学视觉

07-15

873

标签噪声学习（Label-noise learning, LNL）旨在提高模型在训练数据带有噪声标签的情况下的泛化能力。为了促进实用的LNL算法的发展，研究人员提出了不同类型的标签噪声，从类条件噪声到实例依赖噪声不等。在本文中，我们引入了一种新型的标签噪声类型，称为BadLabel，它可以通过大幅度降低现有LNL算法的性能来显著影响它们。BadLabel是基于标准分类的标签翻转攻击精心设计的，其中选择特定样本并将它们的标签翻转为其他标签，以便干净标签和噪声标签的损失值无法区分。

TPAMI 2024 | 通过复制动态学习图注意力

小白学视觉

12-11

284

图注意力（GA）旨在学习图边缘的注意力系数，在多种图学习任务中，GA在图神经网络（GNNs）上取得了令人印象深刻的性能。然而，现有的GA通常是根据边缘（或连接节点）的特征进行学习的，这未能完全捕捉边缘的丰富结构信息。一些最近的研究尝试将结构信息纳入GA学习中，但如何在GA学习中充分利用这些信息仍然是一个挑战。为了解决这一挑战，本工作提出了一个新的基于复制器动态模型的图注意力学习模型，称为图复制器注意力（GRA）。

TPAMI 2024 | 基于原型的语义分割

小白学视觉

11-09

512

题目：Prototype-Based Semantic Segmentation 基于原型的语义分割作者：Tianfei Zhou; Wenguan Wang 摘要基于深度学习的语义分割解决方案在过去十年中取得了令人信服的结果。这些解决方案涵盖了不同的网络架构（基于FCN或基于注意力），以及各种掩码解码方案（基于参数化softmax或基于像素查询）。尽管存在分歧，但可以通过将softmax权重或查询向量解释为可学习的类原型，将它们归为统一的框架。基于这一原型视角，我们揭示了参数化分割模式中的固有局限性

tensorflow中的正则化解决过拟合问题

lilong117194的博客

01-23

1万+

1. 正则化 所谓的过拟合问题指的是当一个模型很复杂时，它可以很好的“记忆”每一个训练数据中的随机噪音的部分而忘记了要去“学习”训练数据中通用的趋势。为了避免过拟合问题，一个非常常用的方法就是正则化。也就是在损失函数中加入刻画模型复杂程度的指标。假设用于损失函数的为J(θ)J(\theta)，那此时不直接优化J(θ)J(\theta)，而是优化J(θ)+λR(w)J(\theta)+\lam

SCS 60.单细胞空间转录组空间聚类(SPATA2)

weixin_41368414的博客

12-16

298

SPATA2 提供了多种聚类算法的封装。那些会立即将结果添加到 SPATA2 对象中的聚类算法，其名称以 run-* 开头，并以 *-Clustering() 结尾。参数名称或命名指定了输出分组变量的名称。聚类可能由多种聚类算法产生。如果这些算法未在SPATA2函数中实现，可以使用addFeatures()函数将它们添加进去。唯一的要求是有一个名为barcodes的变量，用于将组映射到观测值。分组变量将样本的观测值划分为可以相互比较属性的组。例如，观测值的分组可以是聚类算法的结果或手动空间分割的结果。

机器学习-特征选择

ArtoriaLili的博客

12-20

163

特征选择首先从特征全集中产生一个特征子集，然后用评价函数对该特征子集进行评价，评价结果与停止准则进行比较，如果评级结果比停止准则好就停止，否则就继续产生下一组特征自己，选出来的特征子集一般还要验证其有效性。其在空间采样，样本划分中的表现较多，同时噪声影响大，因此需要进行特征降维。修斯现象说明，随着特征数量的增加，分类器的性能也会提高，直到达到最佳特征数。特征选择能剔除不相关和冗余特征，从而达到减少特征个数，提高模型精度，减少运行时间的目的。2.特征个数越多，会有维度灾难，模型越复杂，推广能力也会下降。

01.需要了解的五种机器学习类型

AI算法蒋同学的博客

12-18

671

ML 是计算机科学、[数据科学]和[人工智能] (AI) 的子集，它使系统能够从数据中学习和改进，而无需额外的编程干预。ML 模型不依赖用于性能优化的显示指令，而是采用算法和统计模型，以根据数据模式和推论来部署任务。换句话说，ML 利用输入数据来预测输出，并随着新数据的出现不断更新输出。例如，在零售网站上，机器学习算法通过根据购买历史提出建议来影响消费者的购买决策。

【第二阶段—机器学习入门】第十五章：机器学习核心概念

最新发布

勇气要爆发的博客

12-20

567

生活类比传统编程就像是照菜谱做菜。你告诉电脑每一步怎么切、怎么炒（规则），给它食材（数据），它给你做出一道菜（结果）。机器学习就像是教徒弟做菜。你给徒弟尝100道好吃的菜（数据+结果），让他自己去琢磨其中的规律（模型），最后他学会了做菜（规则）。核心区别传统编程：输入规则数据= 输出答案机器学习：输入数据答案= 输出规则(这个规则就是模型✅监督学习：有标签，预测数值(回归)或类别(分类)。✅无监督学习：无标签，发现数据结构(聚类)。✅数据集划分：训练集(学习)、测试集(考试)，严禁作弊。✅。

机器学习高阶教程＜8＞分布式训练三大核心策略拆解

2303_77568009的博客

12-20

620

当单卡GPU遭遇显存不足、训练过慢的瓶颈时，分布式训练是突破限制的关键。本文深入浅出地解析了分布式训练的三大核心策略：数据并行通过复制模型、同步梯度实现高效训练；模型并行通过流水线与张量拆分攻克大模型存储难题；混合并行结合ZeRO等技术进一步优化资源。文中不仅配有PyTorch DDP、Megatron-LM等实战代码，还总结了常见陷阱与解决方案，助你轻松驾驭大规模模型训练。

多模态模型CLIP详解

A1233242的博客

12-17

949

CLIP（Contrastive Language–Image Pretraining）是 OpenAI 提出的一种多模态模型，通过对大量“图像–文本”对进行对比学习训练，使模型能够将图像和自然语言映射到同一个语义空间中。它不需要为每个视觉任务单独标注数据，而是通过理解文本描述来完成图像分类、检索和零样本学习等任务，从而具备很强的泛化能力和跨模态理解能力

机器学习第一部分---线性回归

zxy916740139的博客

12-16

727

线性回归核心本质：数理统计中用回归分析量化变量间定量依赖关系的方法，聚焦“有方向的因果影响”。相关关系的两类：因果关系：变量有“原因→结果”方向，需分自变量（因）/因变量（果），线性回归用它算“自变量每变1单位，因变量平均变多少”（权重θ体现影响大小与方向）。平行关系：变量仅“伴随变化”无因果（，不区分自变量/因变量，只用相关系数r。关键区别：回归是“因果建模”（定量算影响），相关是“关联描述”（只说紧密度）；线性回归是回归分析在“线性关系”下的具体实现。

机器学习007:监督学习【回归算法】（线性回归）--股票背后的预测学

这里是数字化与人工智能的 “实验场” 与 “瞭望台”

12-19

750

好了，我们的线性回归之旅就要结束了。现在，请你再回想一下那家奶茶店。从经验中学习规律，用规律预测未来。它是一种寻找数据间简单、直观的线性规律，并用于做出靠谱数值预测的、高度可解释的基础工具。作为初学者，学习线性回归的重点不在于记忆公式，而在于透彻理解其“加权求和”的核心思想和“通过减少误差来学习”的训练逻辑，同时清醒地认识其“只能拟合直线”的根本局限。它就像一把直尺，能量出直线的距离，却画不出优美的曲线。

TPAMI 2024多目标跟踪论文

04-14

截至当前时间，尚未有2024年的TPAMI期刊发布，因此无法提供具体的论文列表。然而，可以基于已有的研究趋势和技术背景预测可能的研究方向和主题。多目标跟踪（Multi-Object Tracking, MOT）是一个活跃的研究领域，涉及计算机视觉、机器学习等多个学科。近年来，MOT的研究主要集中在以下几个方面： 1. **联合特征学习与亲和力建模** 联合学习框架被广泛应用于提升多目标跟踪性能。例如，在FAMNet中提出了通过联合学习特征表示、亲和关系以及多维分配来实现在线多目标跟踪[^1]。这种思路可能会进一步发展，尤其是在引入更复杂的网络结构或优化算法的情况下。 2. **多任务学习方法** 多任务学习能够有效提高模型的泛化能力和效率。 Zhang等人提出的多任务相关粒子滤波器展示了如何利用共享特征空间中的多个子任务协同工作以改善跟踪效果[^2]。未来的工作可能会探索更多样化的任务组合方式及其对整体系统的影响。 3. **实时性和鲁棒性的平衡** 实现高精度的同时保持低延迟是实际应用中的重要挑战之一。预计未来的TPAMI文章会继续关注这一问题，并尝试提出新的解决方案，比如轻量化神经网络设计或者高效的后处理策略。对于寻找具体某一年度特定会议/期刊上的最新研究成果而言，通常可以通过访问官方数据库如IEEE Xplore Digital Library 或者 Google Scholar 进行检索；也可以订阅这些平台的通知服务以便及时获取更新信息。以下是Python脚本示例用于自动化查询过程的一部分逻辑展示： ```python import requests def search_papers(year, journal="TPAMI", keyword="multi-object tracking"): base_url = f"https://api.example.com/{journal}/{year}" params = {"q": keyword} response = requests.get(base_url, params=params) if response.status_code == 200: data = response.json() return [(item['title'], item['authors']) for item in data['papers']] else: raise Exception(f"Failed to retrieve papers with status code {response.status_code}") # Example usage try: results = search_papers(2024) for title, authors in results[:5]: print(f"{title} by {', '.join(authors)}") except Exception as e: print(e) ```