Multi-view clustering based on graph-regularized nonnegative matrix factorization for object recognition

مجموعه داده های مختلف از سنسورها برای تشخیص شی مورد استفاده قرار می گیرند، و ویژگی های مختلف از یک مجموعه داده در پردازش استخراج می شود. داده های مختلف به این ترتیب نماینده یا دیدگاه یک شیء مشابه را توصیف می کنند. جمع آوری اطلاعات از این مجموعه داده های چندگانه می تواند عملکرد تشخیص را بهبود بخشد. با این حال، چنین نظرات مختلف دارای سطوح مختلف کیفیت هستند. در این مقاله، ما خوشه بندی چندبعدی را براساس تقسیم بندی ماتریس غیر انتزاعی گراف با استفاده از اطلاعات مفیدی برای بهبود دقت تشخیص به کار می بریم. اطلاعات مفید از طریق تعبیه گراف تقویت شده است و اطلاعات جمع آوری شده با استفاده از محدودیت متعامد در هر دیدگاه برای خوشه بندی حذف می شود. نتایج تجربی در چندین مجموعه داده واقعی، اثربخشی رویکرد ما را در بهبود عملکرد خوشه بندی مجموعه داده ها نشان می دهد.