基于潜在表示的不完整多视图子空间学习方法研究

This project mainly studies the problem of incomplete multi-view subspace learning for high-dimensional images. According to the related theories of subspace representation, this project hopes to construct a series of multi-view subspace clustering algorithm models to make them suitable for the representation of incomplete multi-view data. The main research contents of the project include the following aspects: (1) According to the characteristics of incomplete multi-view data, a series of incomplete multi-view subspace learning methods will be designed. (2) Based on the Tensor representation theory, an incomplete multi-view subspace learning model based on Tensor will be constructed and an effective solution will be proposed. (3) By using the deep neural network, the higher-order nonlinear correlation of data between multiple views will be obtained, and an incomplete multi-view subspace learning method based on the deep neural network will be proposed.. The research is not only important for improving the level of multi-view data analysis and recognition, but also some new ideas and new methods proposed in the research will undoubtedly enrich the research content of pattern recognition and computer vision.

本课题主要研究高维图像基于潜在表示的不完整多视图子空间学习问题，根据子空间表示的相关理论，本项目构建一系列的多视图子空间聚类算法模型，使其适用于不完整多视图的表示。项目的主要研究内容包括以下几个方面：（1）根据不完整多视图数据自身的特性，设计一系列基于子空间的多视图数据聚类方法。（2）根据张量（Tensor）表示理论，构建基于张量的不完整多视图子空间学习模型，并提供一种有效的解决方案。（3）利用深度神经网络，获得多视图之间数据的高阶非线性关联，提出一种基于深度神经网络的不完整多视图子空间学习方法。. 该研究不仅对提高多视图数据分析和识别水平有重要意义，而且课题研究中提出的一些新思想和新方法无疑将丰富模式识别与计算机视觉的研究内容。

本课题主要研究基于潜在表示的不完整多视图子空间学习问题，根据子空间表示的相关理 论，本项目构建一系列的多视图子空间聚类算法模型，使其适用于不完整多视图的表示。项目 的主要研究内容包括以下几个方面：（1）根据不完整多视图数据自身的特性，设计一系列基 于子空间的多视图数据聚类方法。（2）根据张量（Tensor）表示理论，构建基于张量的不完 整多视图子空间学习模型，并提供一种有效的解决方案。（3）利用深度神经网络，获得多视 图之间数据的高阶非线性关联，提出一种基于深度神经网络的不完整多视图子空间学习方法。 该研究不仅对提高多视图数据分析和识别水平有重要意义，而且课题研究中提出的一些新 思想和新方法无疑将丰富模式识别与计算机视觉的研究内容。