迭代加權(quán)的稀疏子空間聚類.pdf

1、運(yùn)動分割和人臉聚類是計(jì)算機(jī)視覺中的兩個(gè)重要問題，目前最先進(jìn)的處理這些問題的算法是基于子空間聚類框架.在這些算法中，稀疏子空間聚類算法達(dá)到了目前本領(lǐng)域里最低的聚類錯(cuò)誤率.該算法通過解一個(gè)l1優(yōu)化問題，然后運(yùn)用譜聚類方法將數(shù)據(jù)點(diǎn)聚類到不同的子空間中.在這篇文章里，我們提出了一個(gè)迭代加權(quán)的l1優(yōu)化框架，該框架大幅度提高了傳統(tǒng)l1優(yōu)化框架的性能.迭代加權(quán)l(xiāng)1優(yōu)化框架比傳統(tǒng)l1優(yōu)化框架更接近于l0優(yōu)化.在這個(gè)思路的指引下，我們提出了一個(gè)新的算法，

2、即迭代加權(quán)稀疏子空間聚類算法.通過在三個(gè)基準(zhǔn)數(shù)據(jù)集上的大量實(shí)驗(yàn)，我們發(fā)現(xiàn)迭代加權(quán)稀疏子空間聚類算法極大地降低了稀疏子空間聚類算法的聚類錯(cuò)誤率，但并不增加其計(jì)算復(fù)雜度.由于大多數(shù)算法只在霍普金斯155數(shù)據(jù)集上測試，然而這個(gè)數(shù)據(jù)集中的非剛性運(yùn)動太少而很難反映出已有算法處理非剛性運(yùn)動分割的能力，因此，我們在包含有大量非剛性運(yùn)動的原始伯克利運(yùn)動分割數(shù)據(jù)集上測試稀疏子空間聚類算法和迭代加權(quán)稀疏子空間聚類算法.實(shí)驗(yàn)結(jié)果表明，兩個(gè)算法在非剛性運(yùn)動的分