迭代加權的稀疏子空間聚類.pdf

1、運動分割和人臉聚類是計算機視覺中的兩個重要問題，目前最先進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到了目前本領域里最低的聚類錯誤率.該算法通過解一個l1優(yōu)化問題，然后運用譜聚類方法將數(shù)據(jù)點聚類到不同的子空間中.在這篇文章里，我們提出了一個迭代加權的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.在這個思路的指引下，我們提出了一個新的算法，

2、即迭代加權稀疏子空間聚類算法.通過在三個基準數(shù)據(jù)集上的大量實驗，我們發(fā)現(xiàn)迭代加權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誤率，但并不增加其計算復雜度.由于大多數(shù)算法只在霍普金斯155數(shù)據(jù)集上測試，然而這個數(shù)據(jù)集中的非剛性運動太少而很難反映出已有算法處理非剛性運動分割的能力，因此，我們在包含有大量非剛性運動的原始伯克利運動分割數(shù)據(jù)集上測試稀疏子空間聚類算法和迭代加權稀疏子空間聚類算法.實驗結果表明，兩個算法在非剛性運動的分