(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110562269.9 (22)申请日 2021.05.24 (65)同一申请的已公布的文献号 申请公布号 CN 113312838 A (43)申请公布日 2021.08.27 (73)专利权人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李骜　陈嘉佳　王卓　 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06N 20/00(2019.01) G06F 111/10(2020.01)(56)对比文件 CN 105069758 A,2015.1 1.18 CN 108734187 A,2018.1 1.02 CN 112529068 A,2021.0 3.19 CN 108537252 A,2018.09.14 CN 111899314 A,2020.1 1.06 CN 10415 6994 A,2014.1 1.19 US 201209 9774 A1,2012.04.26 J. Ren 等.Ima ge Blocking Artifacts Reduction via Patc h Clusteri ng and L ow- Rank Minimization. 《2013 Data Compres sion Conference》 .2013, 王圳萍 等.加权低秩矩阵恢复的混合噪声 图像去噪. 《计算机科 学》 .2016,第43卷(第01 期), 审查员 黄帷 (54)发明名称 一种基于数据重建的可靠多视图学习方法 及装置 (57)摘要 本发明的实施方式提供了一种基于数据重 建的可靠多视图学习方法及装置， 属于图像聚类 技术领域， 本发 明引入低秩自表 示来构建一个数 据重建模型， 以此弥补噪声对数据真实结构的破 坏； 为了更好的探索不同视图间的二维相似性， 采用低秩张量来捕获相似性图间的高阶相关性； 开发了一种联合嵌入式框架， 将数据重构模型， 相似性图学习及低秩张量模型放入 该框架中， 促 进本发明的自适应性和鲁棒性； 此外， 设计了一 种有效的数值函数求解方法来获取耦合在目标 函数中的变量的最优值； 与现有的优秀的方法相 比， 本发明的精确度更高， 性能更加稳健。 权利要求书4页 说明书10页 附图3页 CN 113312838 B 2022.08.23 CN 113312838 B 1.一种基于数据重建的可靠多视图学习方法， 其特 征在于， 所述方法包括 步骤： 输入一个含有噪声的多视图数据集； 构造一个数据重建模型， 将所述数据集放入所述重建模型中， 获得一个去噪的数据副 本； 构建一个相似性图学习模型， 将所述去噪的  数据副本  放入图学习模型中， 得到一个 高质量的相似性图， 不同的视图将学习到不同的所述相似性图； 定义一个嵌入框架， 将所述数据重建模型和所述相似性图学习模型放入统一框架中， 获得一个基于数据重建的相似性图学习模型， 二者之间相互促进， 互相弥补噪声对数据结 构的破坏， 获得一个更精确的相似性图， 所述基于数据重建的相似性图学习嵌入框架的表 达公式为： 其中， 表示第v个视角的原始数据， n表示样本数， dυ表示第v个视图的样本维 度， m表示视图个数， 表示第v个视图的所述相 似性图在ij位置上的值， Zv表示第v个视图 的低秩自表示矩阵， E表示残差矩阵， || ·||*和||·||2分别表示核范数和l2范数， ||·||F 表示Frobinus范数， α和β 为正则化参数， γ表示权衡参数， ∑( ·)表示求和符号， min( ·)表 示求取公式的最小值， s.t.表示约束条件； 基于低秩张量理论构建一个低秩张量模型， 将所述不同相似性图送入所述张量模型 中， 获得一个融合图， 所述低秩张量模型的计算公式为： 其中， 为张量核范数， 表示三阶张量， δ表示控制噪声影响的常数， || ·||F为张量 的Frobinus范数,满足 Φ表示将多个二维矩阵叠加成三维张量； 定义关于可靠多视图学习模型的联合目标函数， 将所述基于数据重建的相似性图学习 模型和所述低秩张量模型放入所述联合目标函数中， 所述关于可靠多视图学习模型的目标 函数的表达式为： 利用所述去噪数据副本， 求解出目标函数最小值时各个变量的值， 以通过求解所述目权　利　要　求　书 1/4 页 2 CN 113312838 B 2标函数后得到一个更精确的融合图， 将目标函数引入一个辅助变量P求解最小化问题， 所述 目标函数表示 为： 所述利用数据集 求解出目标函数最小值时各个 变量的值的步骤 包括： 通过增广拉格朗日乘子法， 确定目标函数问题中的拉格朗日函数； 将拉格朗日函数进行化简和最小化 转换； 利用交替方向乘子算法， 在其他变量不变的条件下针对每个变量迭代地求解最小化； 固定其他变量， 删除与E无关的函数项， 得到变量E的目标函数式， 利用目标函数的导数进 行 求解； 固定其他变量， 删除与Z无关的函数项， 得到变量Z的目标函数式， 利用目标函数的导数 进行求解； 固定其他变量， 删除与P无关的函数项， 得到变量P的目标函数式， 通过西尔维斯方程进 行求解； 固定其他变量， 删除与S无关的函数项， 得到变量S的目标函数式， 在Karush ‑Kuhn‑ Tucker条件进行求 解； 固定其他变量， 删除与 无关的函数项， 得到变量 的目标函数式， 采用基于t ‑SVD的 tubal‑shrinkage算子进行求 解； 逐项更新拉格朗日乘子和参数； 将所述融合图送入 谱聚类中， 得到最后的聚类结果,所述聚类结果包括 步骤： 计算所述数据集聚类精确度； 计算所述数据集归一 化互信息； 计算所述数据集纯度。 2.一种基于数据重建的可靠多视图学习装置， 其特 征在于， 所述装置包括： 存储单元， 用于存储图像数据集， 其中存储单元中的图像数据集为多视图数据集， 数据 集中的样本均为无 标签样本； 数据重建单元， 用于对含有噪声的数据进行重建， 去 除噪声对数据真实分布结构的影 响， 获得一个去噪的数据副本； 相似性图学习单元， 用于将所述去噪的数据副本  放入图学习模型中， 得到一个 高质量 的相似性图， 不同的视图将学习到不同的所述相似性图； 嵌入框架单元， 用于将所述数据重建模型和所述相似性图学习模型放入统一框架中， 获得一个基于数据重建的相似性图学习模型， 二者之间相互促进， 互相弥补噪声对数据结 构的破坏， 获得一个更精确的相似性图， 所述基于数据重建的相似性图学习嵌入框架的表 达公式为：权　利　要　求　书 2/4 页 3 CN 113312838 B 3