稀疏子空间聚类综述

被引：80

作者：

王卫卫

李小平

冯象初

王斯琪

机构：

[1] 西安电子科技大学数学与统计学院

来源：

自动化学报 | 2015年 / 41卷 / 08期

关键词：

高维数据; 子空间聚类; 稀疏表示; 低秩表示;

D O I：

10.16383/j.aas.2015.c140891

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

稀疏子空间聚类(Sparse subspace clustering,SSC)是一种基于谱聚类的数据聚类框架.高维数据通常分布于若干个低维子空间的并上,因此高维数据在适当字典下的表示具有稀疏性.稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵,然后利用谱聚类方法得到数据的子空间聚类结果.其核心是设计能够揭示高维数据真实子空间结构的表示模型,使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类.稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用,但仍有很大的发展空间.本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述,并分析存在的不足,指出进一步研究的方向.

引用

页码：1373 / 1384

页数：12

共 27 条

[1] 图像分割的加权稀疏子空间聚类方法 [J].

李涛 ;

王卫卫 ;

翟栋 ;

贾西西 .

系统工程与电子技术, 2014, 36 (03) :580-585

[2]

结构化压缩感知研究进展[J]. 刘芳,武娇,杨淑媛,焦李成.自动化学报. 2013(12)

[3] 非凸低秩稀疏约束的图像超像素分割方法 [J].

张文娟 ;

冯象初 .

西安电子科技大学学报, 2013, 40 (05) :86-91

[4]

从压缩传感到低秩矩阵恢复:理论与应用[J]. 彭义刚,索津莉,戴琼海,徐文立.自动化学报. 2013(07)

[5] 压缩感知及其应用:从稀疏约束到低秩约束优化 [J].

马坚伟 ;

徐杰 ;

鲍跃全 ;

于四伟 .

信号处理, 2012, (05) :609-623

[6]

Learning low-rank and discriminative dictionary for image classification[J] . Liangyue Li,Sheng Li,Yun Fu.Image and Vision Computing . 2014

[7]

An efficient matrix bi-factorization alternative optimization method for low-rank matrix recovery and completion[J] . Yuanyuan Liu,L.C. Jiao,Fanhua Shang,Fei Yin,F. Liu.Neural Networks . 2013

[8]

Low rank subspace clustering (LRSC)[J] . René Vidal,Paolo Favaro.Pattern Recognition Letters . 2013

[9]

Low-rank representation with local constraint for graph construction[J] . Yaoguo Zheng,Xiangrong Zhang,Shuyuan Yang,Licheng Jiao.Neurocomputing . 2013

[10] A fast tri-factorization method for low-rank matrix recovery and completion [J].

Liu, Yuanyuan ;

Jiao, L. C. ;

Shang, Fanhua .

PATTERN RECOGNITION, 2013, 46 (01) :163-173

← 1 2 3 →