基于判别稀疏性表示的不完整多视图分类
Incomplete Multi-view Classification via Discriminative and Sparse Representation作者机构:南京师范大学计算机科学与技术学院南京210046
出 版 物:《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)
年 卷 期:2021年第15卷第10期
页 面:1938-1948页
核心收录:
学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程]
基 金:国家自然科学基金(62076135,61876087) 江苏省自然科学基金(BK20171479) 赛尔网络下一代互联网技术创新项目(NGII20180604)
摘 要:传统多视图学习通常假设样本在每个视图都是完整的,但是由于数据难以获取、设备故障、遮挡等因素,这一假设并不总能成立,而传统的多视图学习方法很难有效处理不完整多视图数据。目前,研究者们已经提出了一些不完整多视图学习的方法,但是这些方法没有充分利用样本类别信息,从而影响恢复后样本的判别性。因此,提出基于判别稀疏性表示的不完整多视图分类方法(IMVC-DSR)。具体地,该方法假设缺失样本可用少量观测样本稀疏线性表示。同时,为了充分利用类别先验信息,增加恢复后样本的判别性,该方法鼓励相同类别样本之间相互表示,降低不同类别样本之间的相互表达。此外,该方法考虑到视图之间的相关关系,引入选择算子选出不同视图的相同样本,并约束相同样本在不同视图的线性表达具有一致性。最后,在公开的五组数据集上验证了所提方法IMVC-DSR的有效性。