graph上的多视图表示对比学习

第二版 所有章节

多视图数据集 链接： ://pan.baidu.com/s/17fLfSyWxlXKh8vmiS3ZcRg提取代码：bf7a 不完整的多视图数据集 一个完整：一个视图完整，其他视图随机丢失10％-70％。 随机错过：所有观看次数随机错过。 100叶垫 bbcsport4vbigRnSp.mat buaaRnSp.mat caltech7.mat Mfeat.mat mfeatRnSp.mat ORL.mat OrlRnSp.mat WebKB.mat @ARTICLE{9298842, author={P. {Zhang} and X. {Liu} and J. {Xiong} and S. {Zhou} and W. {Zhao} and E. {Zhu} and Z. {Cai}}, journal={IEEE Transactions on Knowle

matlab lm算法代码多视图三角剖分和非线性优化 描述 在此代码中，实现了使用多视图三角剖分来重建合成多维数据集（由56个点组成）的方法。 多视图三角剖分是2视图三角剖分的直接扩展，您已经在中进行了编码。 与2视图三角剖分类似，使用所有8个视图的投影矩阵并设置Ax = b形式的最小二乘系统，然后使用SVD对其求解。 例如3D点X3必须满足以下约束P1 X3 = x13，P2 X3 = x23，...，P8 * X3 = x83，其中x13表示图像1中X3的2D投影，x23表示图中X3的2D投影图像2，...，x83表示图像8中X3的2D投影。 合成多维数据集的图像以8×2×56（numOfViews×2×56）张量的形式提供给您，命名为cube_imgs.mat。 相应的投影矩阵以名为projMatrices.mat的8×1（numOf V×1）的MATLAB单元数组提供； 两者都存储在MatFilesQues1文件夹中。 非线性最小二乘的Levenberg-Marquardt（LM）算法用于解决非线性最小二乘问题。 结果显示在Report.pdf中

Multi-View_Subspace_Clustering_ICCV_2015_paper.pdf

Multi-view Graph Learning.pdf

Multi-View Multiple Clustering.pdf

3-sources，prokaryotic，reuters，uci-digit

多视图光谱聚类算法 该存储库包含用于7种多视图光谱聚类算法（和单视图光谱聚类算法）的MATLAB代码，用于在我们的ICDM论文“”中进行比较。 一些算法的代码是从原始论文作者的网站上收集的，后来由我们修复和优化。 有关这些算法的详细信息，请参阅我们的论文（文件夹名称对应于本文中算法的缩写，即AASC，AWP，CoReg，MCGC，MVGL，RMSC和WMSC ）。 在这些文件夹中的每个文件夹中，都有一个用于算法的主文件xxx_main.m ，其中xxx是算法名称。 有关7种多视图光谱聚类算法和单视图光谱聚类（SC）算法的原始论文为： Huang等人，2012年。光谱聚类的亲和力聚合 Nie等人，2018年。通过自适应加权Procrustes进行多视图聚类 Kumar等人，2011年。共规化多视图光谱聚类 Zhan等人，2018年。多视图共识图聚类 Zhan等人，2017年。图学习用于多

很多真实世界中的数据集由不同表达和视角组成，这些不同的表达和视角的信息往往互为补充。为了整合非监督集合中多个视角的信息，多视觉聚类算法同时聚类不同视角以得到一个聚类结果，这个结果揭示了多个视觉共享一个潜在结构。本文我们提出了一个NMF（基于非负矩阵分解）的多视角聚类算法，该算法寻找一个因式分解，使得多个视角给出一致的聚类结果。本文提出算法的关键在对有约束的联合非负矩阵因式分解过程进行公式化，该分解过程的约束使得每个视角在分解过程趋向一致的结果。主要的问题是如何保持聚类结果在不同视角的是有意义和可比较的。为了解决这个问题，我们基于NMF和PLSA的关系设计了一个新型的高效归一化策略。几个数据集上的实验结果表明了我们方法的可靠性。