CN119399818A 一种流形关系维系的非完备多视角人脸图像深度锚图聚类方法 （哈尔滨理工大学）

一种流形关系维系的非完备多视角人脸图一种流形关系维系的非完备多视角人脸图像深度锚图聚类方法属于多媒体信息处理中的2从一个非完备多视角人脸图像数据集中提取存在样本特征，并将所有使用小批量随机梯度下降算法最小化所述流形正则化的公共子空间自表示总体损失2.根据权利要求1所述的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方3.根据权利要求1所述的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方3其中ReLU代表非线性激活函数，BatchNorm代表批归一化处理操作，GCNEyera和Hver和HEyerz分别表示两层的输出结果，第一层的输入是存在样本特征和其对应的图邻接网络，而第二层则是接受了第一层的输出结果和Cv共同作为输入，得到了输其中d为经过图神经网络降维后不同视角公共维度大首先对每个视角新设一个全零的新矩阵Rxd,通过如下方式将其赋予Hv的4.根据权利要求1所述的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方4v否则=0;o'是样本i的高斯核宽分布矩阵Pv第i行第j列的元素，表示样本i和样本j在高维空间中一方为另一方邻居的概将所有视角的存在样本特征和相应的k近邻图矩阵输入所述子空间学习网络，以网络5v第i行第j列的元素，代表样本i和样本j流形正则化的公共子空间自表示总体损失函数由公共子空间自表示损失函数Lsubspace5.根据权利要求1所述的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方其中，Θ是网络权重，α是学习率，LS是在小批量数据上估计的总体损失函数值，6.根据权利要求1所述的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方6[0005]从存在特征构建k近邻图矩阵并构建一个由多个视角专属图卷积编码层、一个特均匀随机采样得到的个样本。将所有视角的存在样本特征和相应的k近邻图矩阵输入所述[0007]使用小批量随机梯度下降算法最小化所述流形正则化的公共子空间自表示总体7HEyerz分别表示两层的输出结果，第一层的输入是存在样本特征和其对应的图邻接网络，而第二层则是接受了第一层的输出结果HEyer1和Cv共同作为输入，得到了输出结果HEyerzER⃞",其中d为经过图神经网络降维后不同视角公共维度大小；相加，首先对每个视角新设一个全零的新矩阵HmpeeERxd,通过如下方式将其赋予8o;是样本i的高斯[0037]将所有视角的存在样本特征和相应的k近邻图矩阵输入所述子空间学习网络，以9v第i行第j列的元素，代表样本i和样本j在低维空间中一方为另一[0045]流形正则化的公共子空间自表示总体损失函数由公共子空间自表示损失函数[0053]本发明提供了一种一种流形关系维系的非完备多视角人脸图像深度锚图聚类方[0054](1)利用了多视角公共子空间学习的目标函数，所学的公共子空间能同时表征各[0055](2)利用深度神经网络学习多视角高维流形特征到图结构子空间矩阵的低维流形[0059]图1是本发明提供的一种流形关系维系的非完备多视角人脸图像深度锚图聚类方[0063]如图1，本发明提供了一种流形关系维系的非完备多视角人脸图像深度锚图聚类[0064]步骤S110：首先采用视角缺失矩阵M∈{0,1}n×m获得原始输入数据的存在样本[0067]步骤S120：对每个视角v的RV构建对应的无向图邻接矩阵cveRVXTV,其表述公下与样本i和样本j最近的10个样本，紧接着将Cv与RV作为输入，采用图神经网络提取特GCNEyerz分别代表视角v下两层中的两个独立的图卷积神经网络层，然后对每个视角新设一个全零的新矩阵HEmprereER⃞d,通过如下方式将其赋予Hv的值：[0078]步骤S130：对每个视角的存在样本采用如下的表述公式构建高维流形分布矩o:是样本i的高斯矩阵的F范数。通对原始数据中的存在样本特征的高维流形分布矩阵和其对应子空间的Hv[0092]流形正则化的公共子空间自表示总体损失函数由公共子空间自表示损失函数[0099]S150：对所得到的最终生成的公共子空间输出结果Z进行谱聚类得到最终结果并[0101]进一步说明，假设将一个非完备多视角人脸图像数据集根据本实施方式进行聚[0103]本实施采用公开的人脸数据集ORL_40，并按照不同的样本缺失比率对非完备的些方法对于五种非完备样本比例