面向高维图像表示多核子空间学习框架

摘要

本发明提供了一个面向高维图像表示多核子空间学习框架(MKSL)，该框架能从多个核空间学习到一个统一的子空间，从而有效的解决高维数据(如图像数据)难以有效表示的问题。首先，通过将不同的先验知识，如类别信息和邻域关系信息，引入到MKSL的目标函数中，用以处理不同场景下的任务，包括无监督聚类、监督和半监督分类。其次，为了有效地组合多个核，MKSL采用了两步迭代优化策略，使得其在训练过程中自动学习合适的核权重。最后，将学习到的核权重使用线性组合的方式生成最优组合核。相较于传统的子空间学习方法，本发明可以融合来自不同核的不同数据特征表示，不仅能有效的增强了学到子空间的表征能力，而且提升在无监督聚类任务，有监督和半监督分类任务上的性能。