Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Internal Generative Mechanism Based Otsu Multilevel Thresholding Segmentation for Medical Brain Images Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Two-Step Greedy Subspace Clustering

verfasst von : Lingxiao Song, Man Zhang, Zhenan Sun, Jian Liang, Ran He

Erschienen in: Advances in Multimedia Information Processing -- PCM 2015

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Greedy subspace clustering methods provide an efficient way to cluster large-scale multimedia datasets. However, these methods do not guarantee a global optimum and their clustering performance mainly depends on their initializations. To alleviate this initialization problem, this paper proposes a two-step greedy strategy by exploring proper neighbors that span an initial subspace. Firstly, for each data point, we seek a sparse representation with respect to its nearest neighbors. The data points corresponding to nonzero entries in the learning representation form an initial subspace, which potentially rejects bad or redundant data points. Secondly, the subspace is updated by adding an orthogonal basis involved with the newly added data points. Experimental results on real-world applications demonstrate that our method can significantly improve the clustering accuracy of greedy subspace clustering methods without scarifying much computational time.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Object Searching with Combination of Template Matching
Nächstes Kapitel Iterative Collection Annotation for Sketch Recognition
Fußnoten
1
The Hopkins155 database is available online at http://​www.​vision.​jhu.​edu/​data/​hopkins155/​.
 
2
 
Literatur
1.
Yang, A., Wright, J., Ma, Y., Sastry, S.: Unsupervised segmentation of natural images via lossy data compression. Computer Vis. Image Underst. (CVIU) 110(2), 212–225 (2008)CrossRef
2.
Vidal, R., Tron, R., Hartley, R.: Multiframe motion segmentation with missing data using powerfactorization and GPCA. Int. J. Comput. Vis. (IJCV) 79(1), 85–105 (2008)CrossRef
3.
Ho, J., Yang, M.H., Lim, J., Lee, K.C., Kriegman, D.: Clustering appearances of objects under varying illumination conditions. In: Computer Vision and Pattern Recognition (CVPR) (2003)
4.
Hong, W., Wright, J., Huang, K., Ma, Y.: Multi-scale hybrid linear models for lossy image representation. IEEE Trans. Image Process. (TIP) 15(12), 3655–3671 (2006)CrossRef
5.
Chaudhuri, K., Kakade, S.M., Livescu, K., Sridharan, K.: Multi-view clustering via canonical correlation analysis. In: International Conference on Machine Learning (ICML) (2009)
6.
Zhao, X., Evans, N., Dugelay, J.L.: A subspace co-training framework for multi-view clustering. Pattern Recogn. Lett. (PRL) 41, 73–82 (2014)CrossRef
7.
Vidal, R.: Subspace clustering. Sign. Process. Mag. 28(2), 52–68 (2011)CrossRef
8.
Costeira, J., Kanade, T.: A multibody factorization method for independently moving objects. Int. J. Comput. Vis. (IJCV) 29(3), 159–179 (1998)CrossRef
9.
Kanatani, K.: Motion segmentation by subspace separation and model selection. In: International Conference on Computer Vision (ICCV) (2001)
10.
Vidal, R., Ma, Y., Sastry, S.: Generalized principal component analysis (GPCA). IEEE Trans. Pattern Anal. Mach. Intell. (TPAMI) 27(12), 1945–1959 (2005)CrossRef
11.
Zhang, T., Szlam, A., Lerman, G.: Median K-flats for hybrid linear modeling with many outliers. In: Proceedings of 2nd IEEE International Workshop on Subspace Methods, pp. 234–241 (2009)
12.
Tipping, M., Bishop, C.: Mixtures of probabilistic principal component analyzers. Neural Comput. 11(2), 443–482 (1999)CrossRef
13.
Yang, A.Y., Rao, S., Ma, Y.: Robust statistical estimation and segmentation of multiple subspaces. In: Computer Vision and Pattern Recognition Workshop (CVPRW) (2006)
14.
Elhamifar, E., Vidal, R.: Sparse subspace clustering. In: Computer Vision and Pattern Recognition (CVPR) (2009)
15.
Elhamifar, E., Vidal, R.: Sparse subspace clustering: algorithm, theory, and applications. IEEE Trans. Pattern Anal. Mach. Intell. (TPAMI) 35(11), 2765–2781 (2013)CrossRef
16.
Liu, G., Lin, Z., Yan, S., Sun, J., Yu, Y., Ma, Y.: Robust recovery of subspace structures by low-rank representation. IEEE Trans. Pattern Anal. Mach. Intell. (TPAMI) 35(1), 171–184 (2013)CrossRef
17.
Zhang, Y., Sun, Z., He, R., Tan, T.: Robust subspace clustering via half-quadratic minimization. In: International Conference on Computer Vision (ICCV) (2013)
18.
Zhang, Y., Sun, Z., He, R., Tan, T.: Robust low-rank representation via correntropy. In: Asian Conference on Pattern Recognition (ACPR) (2013)
19.
Wang, Y., Xu, H., Leng, C.: Provable subspace clustering: when LRR meets SSC. In: Advances in Neural Information Processing Systems (NIPS) (2013)
20.
Chen, G., Lerman, G.: Spectral curvature clustering. Int. J. Comput. Vis. (IJCV) 81(3), 317–330 (2009)CrossRef
21.
Dyer, E.L., Sankaranarayanan, A.C., Baraniuk, R.G.: Greedy feature selection for subspace clustering. J. Mach. Learn. Res. (JMLR) 14(1), 2487–2517 (2013)MathSciNetMATH
22.
Heckel, R., Bölcskei, H.: Subspace clustering via thresholding and spectral clustering. In: Acoustics, Speech, and Signal Processing (ICASSP) (2013)
23.
Park, D., Caramanis, C.: Greedy subspace clustering. In: Advances in Neural Information Processing Systems (NIPS) (2014)
24.
Donoho, D.L.: For most large underdetermined systems of linear equations the minimal \(l\)1-norm solution is also the sparsest solution. Commun. Pure Appl. Aathematics (CPAA) 59(6), 797–829 (2006)MathSciNetCrossRefMATH
25.
Tibshirani, R.: Regression shrinkage and selection via the lasso. J. R. Stat. Soc. Series B (Methodological) 58, 267–288 (1996)MathSciNetMATH
26.
Tron, R., Vidal, R.: A benchmark for the comparison of 3-D motion segmentation algorithms. In: Computer Vision and Pattern Recognition (CVPR) (2007)
27.
Lee, K.C., Ho, J., Kriegman, D.: Acquiring linear subspaces for face recognition under variable lighting. IEEE Trans. Pattern Anal. Mach. Intell. (TPAMI) 27(5), 684–698 (2005)CrossRef
Metadaten
Titel
Two-Step Greedy Subspace Clustering
verfasst von
Lingxiao Song
Man Zhang
Zhenan Sun
Jian Liang
Ran He
Copyright-Jahr
2015
Buch
Advances in Multimedia Information Processing -- PCM 2015

Print ISBN: 978-3-319-24074-9

Electronic ISBN: 978-3-319-24075-6

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-24075-6_5

Neuer Inhalt

    Bildnachweise