基于扩散聚类的多视图跟踪方法、系统、终端及存储介质技术方案

本发明专利技术涉及图像处理技术领域，公开了一种基于扩散聚类的多视图跟踪方法、系统、终端及存储介质，所述方法包括：通过特征编码模块将其转换为视图特定的特征表示，然后输入Dirichlet扩散模块进行多次反向扩散，获得精炼的Dirichlet参数，并将其转换为信念质量，输入动态证据融合模块进行同步融合，最终将融合后的信息转化为稳定的聚类分配结果。本发明专利技术提供了一种鲁棒的、无插补的、能够直接建模和处理不确定性的多视图聚类与跟踪解决方案，构建了一个端到端的深度聚类框架，解决了现有技术中数据缺失、噪声传播和不确定性量化不足的问题，避免了重建噪声的传播，增强了在缺失和噪声观测下的聚类性能，并能有效地整合多源信息。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其涉及一种基于扩散聚类的多视图跟踪方法、系统、终端及计算机可读存储介质。

技术介绍

1、多视图聚类（multi-view clustering，mvc）的目标是在没有外部监督的情况下，将这些多视图数据划分到语义一致的组中，在这些数据中，每个对象通常由图像、点云、文本或音频等多种互补模态进行描述，这在推荐系统、多媒体检索和生物信息学系统中具有不可或缺的应用价值。

2、然而，在实际部署中，假设每个对象在每个视图中都能被完整观测的情况极少成立。传感器故障、隐私过滤和网络延迟等问题常常导致多视图矩阵的某些部分缺失，这使得传统的mvc方法难以直接应用。这种实际但极具挑战性的设置被形式化为不完整多视图聚类（incomplete multi-view clustering，imvc）问题，从而导致在处理多视图中的缺失和噪声观测数据时，出现处理结果不准确或模态缺失的情况。

3、因此，现有技术还有待于改进和发展。

技术实现思路

1、本专利技术的主要目的在于提供一种基于扩散聚类的本文档来自技高网...

【技术保护点】

1.一种基于扩散聚类的多视图跟踪方法，其特征在于，所述基于扩散聚类的多视图跟踪方法包括：

2.根据权利要求1所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述获取多个视图对应的原始数据，将所有所述原始数据映射到潜在空间，得到多个特征表示，并将多个所述特征表示投射成多个初始视图证据，具体包括：

3.根据权利要求1所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述根据所有所述初始视图证据，构建Dirichlet扩散模块，并通过所述Dirichlet扩散模块进行迭代前向扩散，得到累积扩散率，根据所述累积扩散率进行反向扩散，输出反向转换的Dirichlet预测参数，具...

【技术特征摘要】

1.一种基于扩散聚类的多视图跟踪方法，其特征在于，所述基于扩散聚类的多视图跟踪方法包括：

2.根据权利要求1所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述获取多个视图对应的原始数据，将所有所述原始数据映射到潜在空间，得到多个特征表示，并将多个所述特征表示投射成多个初始视图证据，具体包括：

3.根据权利要求1所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述根据所有所述初始视图证据，构建dirichlet扩散模块，并通过所述dirichlet扩散模块进行迭代前向扩散，得到累积扩散率，根据所述累积扩散率进行反向扩散，输出反向转换的dirichlet预测参数，具体包括：

4.根据权利要求3所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述构建扩散时间表，根据所述扩散时间表对所述dirichlet扩散模块进行迭代前向扩散得到累积扩散率，根据所述累积扩散率构建单步后验分布，并根据所述单步后验分布，通过反向去噪网络预测得到dirichlet预测参数，具体包括：

5.根据权利要求1所述的基于扩散聚类的多视图跟踪方法，其特征在于，所述获取真实标签集合的二值指示，根据所述dirichlet预测参数和...

【专利技术属性】
技术研发人员：方宇浩，李春，邱夕航，田玉斌，张晔，布达克·鲍里斯·亚历山德罗维奇，翟斌，洪嘉隆，
申请(专利权)人：深圳北理莫斯科大学，
类型：发明
国别省市：