(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210549705.3 (22)申请日 2022.05.20 (71)申请人 厦门大学 地址 361000 福建省厦门市思明南路42 2号 申请人 厦门大学深圳研究院 (72)发明人 杨帆　林志强　余忠平　赖永炫　 (74)专利代理 机构 厦门市首创君 合专利事务所 有限公司 3 5204 专利代理师 李艾华 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/74(2022.01) (54)发明名称 基于深度子空间聚类顺序集成的图像聚类 方法及系统 (57)摘要 本发明公开一种基于深度子空间聚类顺序 集成的图像聚类方法及系统， 方法包括： 基于输 入图像数据与重建图像数据获得初始的图像编 码器网络和图像解码器网络； 基于随机遮掩视觉 特征向量和自我表达的视觉特征向量获得初始 的自我表达系数矩阵； 固定自我表达系数矩阵， 迭代更新图像编码器网络和图像解码器网络； 固 定图像编码器网络和图像解码器网络， 迭代更新 自我表达系数矩阵； 基于自我表达系数矩阵， 迭 代更新图像相似度矩 阵以及图像集成相似度矩 阵； 将最终得到的图像集 成相似度矩阵作为谱聚 类算法的输入， 获得图像聚类结果。 本发明采用 顺序方式依次生成自我表达系数矩 阵并直接集 成， 进而提升深度子空间聚类网络对于图像聚类 的性能。 权利要求书2页 说明书11页 附图3页 CN 115359281 A 2022.11.18 CN 115359281 A 1.一种基于深度子空间聚类顺序集成的图像聚类方法， 其特 征在于， 包括如下步骤： 步骤1， 基于输入图像数据与重建图像数据构建图像重建损失函数， 通过最小化图像所 述重建损失函数获得初始的图像编码器网络和图像解码器网络； 步骤2， 基于随机遮掩视觉特征向量和自我表达的视觉特征向量之间的误差构建第一 自我表达损失函数， 通过最小化所述第一自我表达损失函数获得初始的自我表达系数矩 阵； 其中， 所述随机遮掩视觉特征向量基于输入图像、 图像编码器网络和随机遮掩矩阵获 得； 步骤3， 固定自我表达系数矩阵， 基于图像重建及自我表达联合损失函数更新图像编码 器网络和图像解码器网络； 重复该步骤， 直至 达到第一迭代次数； 步骤4， 固定图像编码器网络和图像解码器网络， 基于第 二自我表达损失函数更新自我 表达系数矩阵； 重复该步骤， 直至 达到第二迭代次数； 步骤5， 基于自我表达系数矩阵， 更新图像相似度矩阵以及图像集成相似度矩阵； 步骤6， 重复步骤3 至步骤5， 直至 达到第三迭代次数； 步骤7， 将最终得到的图像集成相似度矩阵作为谱聚类算法的输入， 获得图像聚类结 果。 2.根据权利要求1所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 所述重建损失函数表示如下： 其中， L0表示重建损失函数； X表示输入图像数据； 表示重建图像数据； 表示矩阵 的F范数的平方。 3.根据权利要求2所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 重建图像 为对自我表达的视 觉特征向量Z′C进行反卷积 操作重建出， 表示如下： Z′表示如下： Z′＝Z⊙M 其中， 表示图像解码器网络； C表示自我表达系数矩阵； Z表示提取的输入图像数据 的视觉特征压缩向量； Z ′表示随机遮掩后的视觉特征向量； M表示随机遮掩矩阵； ⊙表示哈 达玛积； Z表示如下： 其中， 表示图像编码器网络 。 4.根据权利要求3所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 所述第一自我表达损失函数表示如下： 其中， Lexp1表示第一自我表达损失函数； ‖C‖p表示正则化损失； λ表示视觉特征向量Z ′和 自我表达的视 觉特征向量Z′C之间的误差的权 重系数。权　利　要　求　书 1/2 页 2 CN 115359281 A 25.根据权利要求4所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 步骤3中， 所述图像重建及自我表达联合损失函数表示如下： 其中， λ1表示自我表达损失部分的权 重。 6.根据权利要求5所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 步骤4中， 所述第二自我表达损失函数， 表示如下： 其中， Lexp2表示第二自我表达损失函数； λ2表示自我表达损失部分的权 重。 7.根据权利要求6所述的一种基于深度子空间聚类顺序集成的图像聚类方法， 其特征 在于， 步骤5中， 基于自我表达系数矩阵， 更新图像相似度 矩阵以及图像集 成相似度 矩阵， 具 体如下： 图像相似度矩阵W表示如下： 图像集成相似度矩阵Ft表示如下： 其中， Ft表示当前时刻生成的图像集成相似度矩阵； Ft‑1表示上一时刻的图像集成相似 度矩阵； Wt表示当前时刻生成的图像相似度矩阵。 8.一种基于深度子空间聚类顺序集成的图像聚类系统， 其特征在于， 包括： 基学习器生 成模块和集成模块； 所述基学习器生成模块包括特征压缩模块、 特征重构模块、 随机遮掩模块和自我表达 模块； 所述特征压缩模块与特征重构模块用于学习视觉特征表示， 两个模块都是 由多层卷 积网络层组成； 通过基学习器生成模块逐次生 成自我表达系数矩阵C， 进而生成图像相似度 矩阵 所述集成模块用于逐次合并生成的图像相似度矩阵， 每次迭代生成的图像集成相似度 矩阵Ft由上一时刻的图像集成相似度矩阵Ft‑1与当前时刻生成的图像相似度矩阵W相加得 到， 如下： 权　利　要　求　书 2/2 页 3 CN 115359281 A 3