無(wú)監(jiān)督學(xué)習(xí)是計(jì)算機(jī)視覺(jué)中的重要研究課題,圖像聚類作為無(wú)監(jiān)督學(xué)習(xí)中的典型應(yīng)用近年來(lái)得到了廣泛的關(guān)注和快速的發(fā)展。在傳統(tǒng)圖像聚類方法中,基于多視角張量分析的子空間聚類方法將多視圖聚類性能提升到了更高的水平,然而,以往基于多視角張量分析的算法是在低秩表示理論的線性假設(shè)基礎(chǔ)上發(fā)展起來(lái)的,存在當(dāng)真實(shí)數(shù)據(jù)采樣于多個(gè)非線性子空間時(shí)其性能不佳的問(wèn)題。因此本文針對(duì)圖像聚類中以往基于多視角張量分析的子空間聚類方法無(wú)法處理非線性情況的問(wèn)題展開(kāi)研究。與此同時(shí),圖像檢索作為另一常用的無(wú)監(jiān)督學(xué)習(xí)應(yīng)用,同樣存在索引方面的多視角融合問(wèn)題,以往方法難以捕獲索引視圖間的高階信息,導(dǎo)致多視角索引利用不夠充分。針對(duì)該問(wèn)題,本文對(duì)圖像檢索中能否運(yùn)用圖像聚類中的多視角張量分析方法進(jìn)行探究。此外,深度學(xué)習(xí)在各個(gè)領(lǐng)域都表現(xiàn)出優(yōu)越的性能,但目前對(duì)深度學(xué)習(xí)用于聚類的研究還比較少,以往存在的深度聚類框架也難以嵌入少量監(jiān)督信息以進(jìn)一步提高聚類性能,因此本文對(duì)深度聚類的框架展開(kāi)分析研究。綜上,本文對(duì)無(wú)監(jiān)督學(xué)習(xí)中的多視角張量分析和深度聚類分析進(jìn)行研究,研究?jī)?nèi)容和主要貢獻(xiàn)包括以下幾個(gè)方面:第一,提出了基于核化多視角張量分析的多視角聚類方法。針對(duì)以... 

【文章來(lái)源】：廈門(mén)大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１?ＬＲＲ基本理論示意圖??

圖１．２?ｔ－ＳＶＤ－ＭＳＣ框架原理圖１３８］??

圖１．３?ｔ＿ＳＶＤ方法圖１７２１??乘積，因此倒排索引結(jié)構(gòu)使得ＣＢＩＲ系統(tǒng)能夠處理大規(guī)模的數(shù)據(jù)


本文編號(hào)：3260575