Subspace Clustering in Wavelet Packets Domain

本文介绍了一种基于小波包变换的子空间聚类算法。该算法利用小波包变换将数据表示为多个子带，进而将原始数据和子带数据结合起来，形成互补的多视图表示。为了更好地处理子空间可分性和噪声鲁棒性，本文提出了两种方法。第一种方法是将联合表示学习建模为低秩MERA张量网络逼近问题，以捕捉相应自表示张量中复杂的内部/视图间依赖关系。第二种方法是使用自动停止计算方法，在验证集上选择具有最小聚类误差的子带，然后将现有的子空间聚类算法应用于所选子带，从而提高聚类性能。这两种方法都可以重复使用迄今为止开发的子空间聚类算法。改进后的聚类性能归功于子带的双重性质，即表示和滤波器，这对于噪声抑制至关重要。本文在八种著名的线性子空间聚类算法和六个代表人脸、数字和物体的著名图像数据集上，以MERA张量网络为例，演示了所提出的小波包域子空间聚类方法。虽然小波包域的子空间聚类是一种线性方法，但它的聚类性能与一些最好的深度子空间聚类算法相当，并且在很多其他深度子空间聚类算法中表现出色，特别是在WP MERA SC算法中。在COIL100数据集上，它的准确率达到了87.45%，比最好的深度子空间聚类竞争对手高出14.75%。

提出一种基于小波包变换的子空间聚类方法，以更好地解决子空间可分离性和噪声鲁棒性问题。

利用小波包变换将数据表示为多个子带，进而进行联合表示学习或选择最佳子带进行聚类。

该方法在六个常见图像数据集上进行了实验，表现优于许多深度子空间聚类算法，特别是在COIL100数据集上表现最佳。

相关研究包括其他基于小波包变换的聚类方法，以及深度子空间聚类算法。