基于RGB-D视频的概率深度聚类模型

As a typical multidimensional data, RGB-D video has the characteristics of large noise, obvious nonlinearity and complex internal structure. Therefore, the analysis and processing of RGB-D video has been widely concerned. Oriented to clustering of RGB-D video and in view of high-dimensional nonlinear characteristics of data, this project utilizes tensor representation method to maintain the internal structure information in data, and then research clustering model of tensor data under a probabilistic framework. This model will combine nonlinear representation of RGB-D video data representation and clustering feature learning in a model to make learned data representation features more suitable for clustering. Probabilistic framework can be used to analyze and deduce the model by applying the prior knowledge of unknown variables. The project will focus on deep tensor dictionary model to realize the de-noising of RGB-D data effectively. To achieve clustering of RGB-D video, this project also will construct tensor clustering model under probabilistic framework and solve model learning problem to analyze the uncertainty of data better. This Project will break the limitation of the traditional vector clustering model under algebraic framework and provide a theoretical support and a new solution for the clustering of high order RGB-D video.

作为一种典型的多维数据，RGB-D视频具有噪声大、非线性特性突出、内在结构复杂的特点，因此对RGB-D视频的分析、处理问题得到广泛关注。本项目面向RGB-D视频的聚类应用，针对数据的高维非线性特性，采用张量的表示方法，以保持数据内在结构信息，并研究概率框架下张量数据的聚类模型，该模型将获取RGB-D视频数据的非线性表示与聚类特征学习统一到一个模型中，以使学习的数据表示特征更适合于聚类应用，同时概率框架的引入可以利用未知变量的先验知识对模型加以分析和推断。项目将重点研究深度张量字典的学习模型，以实现RGB-D数据的有效去噪；建立概率框架下张量数据的聚类模型，解决模型的学习训练问题，以便于更好地对数据中的不确定性进行分析，实现RGB-D视频的聚类。通过本项目的研究，将突破传统基于向量表示的代数框架聚类模型的局限性，为高阶RGB-D视频的聚类问题提供理论支撑和新的解决方案

针对高维数据的非线性特征，我们将其表示成张量数据，以保持数据的内在结构信息。为解决张量数据中存在噪声的问题，本项目研究了非参数贝叶斯张量字典学习用于去除拉普拉斯噪声。通过利用张量的结构特性，进一步研究了概率框架下张量数据的特征提取，其中包括向量形式的特征提取、判别性的特征提取以及鲁棒性的特征提取。对于聚类的研究，我们给出了基于图网络的联合监督聚类模型以及利用伪标签监督的自适应图卷积融合网络用于聚类。.本项目首先研究高阶数据的张量表示方法，建立深度张量字典的学习模型用于高阶数据的去噪；在概率框架下提出张量数据的特征提取模型，建立深度聚类学习模型，为高阶序列的聚类问题提供新的研究方案；探索基于贝叶斯推断的模型训练算法，为贝叶斯学习模型的研究提供理论与技术支撑。