计算机技术与发展2023，Vol.33Issue(8) ：59-65.DOI:10.3969/j.issn.1673-629X.2023.08.009

基于卷积注意力和对比学习的多视图聚类

Multi-view Clustering Based on Convolution Attention and Contrast Learning

倪团雄 洪智勇 余文华 张昕
计算机技术与发展2023，Vol.33Issue(8) ：59-65.DOI:10.3969/j.issn.1673-629X.2023.08.009
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于卷积注意力和对比学习的多视图聚类

Multi-view Clustering Based on Convolution Attention and Contrast Learning

倪团雄 1洪智勇 1余文华 1张昕2
扫码查看

作者信息

  • 1. 五邑大学 智能制造学部,广东 江门 529020;粤港澳工业大数据协同创新中心,广东 江门 529020
  • 2. 五邑大学 智能制造学部,广东 江门 529020
  • 折叠

摘要

多视图聚类能够综合不同视图的互补信息,往往能获得比单一视图更好的效果.然而,传统多视图聚类方法受限于线性和浅层的学习函数,难以表征数据的深层信息;现有的深度学习方法在表征多视图数据时,对多维度的细节特征关注度有所不足.针对这些问题,提出一种基于卷积注意力机制的编码器模型(AEMC),该模型根据不同视图的特定表征,在编码器中融入卷积注意力模块自适应学习各个视图的关键特征,此外,为了优化模型,根据编码器表征,通过对比学习策略构造正负样本,使正样本间的相似度增加,负样本的相似度减少,引导聚类过程从而使其更具鲁棒性.实证结果表明,模型优于当前大多数主流方法,并在E-MNIST、E-FMNIST、VOC和RGB-D数据集上聚类精度比基准模型分别提高了10.2%、8.1%、7.4%和4.9%,在手写数据集E-MNIST和E-FMNIST的聚类准确率分别高于目前最优的对比聚类方法(CoMVC)0.7%和1.3%,在VOC、RGB-D数据集上略低于对比聚类方法(CoMVC).

关键词

编码器/多视图聚类/卷积注意力/对比学习/深度学习

Key words

encoder/multi-view clustering/convolutional attention/comparative learning/deep learning

引用本文复制引用

基金项目

广东省基础与应用基础研究基金(2020A1515011468)

广东省普通高等学校特色创新类项目(2019KTSCX189)

五邑大学港澳联合研发基金(2019WGALH21)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量5
段落导航相关论文