基于低秩张量学习的无监督多视图特征选择方法及系统技术方案

本发明专利技术公开了一种基于低秩张量学习的无监督多视图特征选择方法及系统，包括：获取图像数据集，对每个图像数据提取若干个视图特征，获得多视图特征数据集；基于多视图谱聚类和低秩张量学习得到每个视图数据的伪标签矩阵，通过稀疏回归模型学习特征选择矩阵，构造基于低秩张量学习的无监督多视图特征选择目标函数；采用迭代优化方法求解所述目标函数，得到特征选择矩阵；根据特征选择矩阵计算各个特征的重要性，将特征按照所计算结果从大到小排序，选择前k个特征构成多视图特征子集。本发明专利技术将伪标签学习与特征选择整合到一个统一的学习框架中，联合多视图谱聚类和低秩张量学习得到高质量的伪标签进而指导最终的特征选择过程。过程。过程。

【技术实现步骤摘要】
基于低秩张量学习的无监督多视图特征选择方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种基于低秩张量学习的无监督多视图特征选择方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着信息采集和信息处理技术的快速发展，图像数据样本通常具有多视图特征。例如，一幅图像可以从颜色、边缘、纹理等不同的角度进行描述。多视图数据可以更加全面、准确地描述事物的数据信息。由于包含异构信息的多视图数据比传统的单视图数据具有更大的优势，因此，多视图学习已经成为了一个非常重要的研究方向，其中包括多视图聚类、多视图检索等。由于多视图数据总是高维的，直接使用会造成较高的存储和计算成本并对后续的学习过程产生不利影响。特征选择作为一种有效解决这些问题的方法，在多视图学习中受到了广泛关注。
[0004]多视图特征选择旨在从原始特征空间中过滤掉冗余、不相关的特征，选取判别性强的特征组成特征子集。由于实际应用中标签信息很难获取，对数据进行人工标注非常耗时耗力。因此，无监督多视本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于低秩张量学习的无监督多视图特征选择方法，其特征在于，包括：获取图像数据集，对每个图像数据提取若干个视图特征，获得多视图特征数据集；基于多视图谱聚类和低秩张量学习得到每个视图数据的伪标签矩阵，通过稀疏回归模型学习特征选择矩阵，构造基于低秩张量学习的无监督多视图特征选择目标函数；采用迭代优化方法求解所述目标函数，得到特征选择矩阵；根据特征选择矩阵计算各个特征的重要性，将特征按照所计算结果从大到小排序，选择前k个特征构成多视图特征子集。2.如权利要求1所述的一种基于低秩张量学习的无监督多视图特征选择方法，其特征在于，基于多视图谱聚类和低秩张量学习得到每个视图数据的伪标签矩阵，具体为：个视图数据的伪标签矩阵，具体为：F
(v)
≥0其中，表示第v个视图的指示矩阵，即伪标签矩阵；n是图像数据个数，c是聚类数，v代表视图序号，v＝1，
…
，V，V表示视图总数；L
(v)
是第v个视图的拉普拉斯矩阵；对于张量其横向切片由指示矩阵F
(v)
组成；表示的张量核范数。3.如权利要求1所述的一种基于低秩张量学习的无监督多视图特征选择方法，其特征在于，通过稀疏回归模型学习特征选择矩阵，具体为：其中，和分别表示第v个视图的特征数据集和特征选择矩阵，||W
(v)
||
2,1
表示特征选择矩阵W
(v)
的L
2,1
范数；β
(v)
表示第v个视图的权重因子。4.如权利要求1所述的一种基于低秩张量学习的无监督多视图特征选择方法，其特征在于，所述构造基于低秩张量学习的无监督多视图特征选择目标函数，具体为：在于，所述构造基于低秩张量学习的无监督多视图特征选择目标函数，具体为：F
(v)
≥0.其中，分别表示谱聚类和低秩张量约束，用于学习各个视图数据的伪标签矩阵；表示通过回归模型学习每个视图的特征选择矩阵，||W
(v)
||
2,1
是利用L
2,1
范数将特征选择矩阵W
(v)

【专利技术属性】
技术研发人员：梁成，王莲芝，陈文澜，于维庭，商累浩，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：