다중 스케일 표현 학습을 통한 텐서화된 비정렬 다중 시각 클러스터링

비정렬 다중 시각 클러스터링(UMC) 문제는 실제 응용에서 생성된 비정렬 다중 시각 데이터를 클러스터링하는 데 초점을 맞추어 현재 널리 주목받고 있다. 이 문제를 해결하기 위한 몇 가지 알고리즘이 등장했지만 여전히 다음과 같은 단점들이 있다: 1) 뷰 간 샘플의 완전한 미지수 대응은 일관된 클러스터링 구조의 탐색을 큰 폭으로 제한할 수 있다. 2) 고정된 표현 공간은 원본 데이터의 종합적인 정보를 탐색하기 어렵게 만든다. 3) 서로 다른 뷰 간의 고차원 상관관계를 포착하기 위해서는 편향 없는 텐서 계급 근사가 필요하다. 이러한 문제를 해결하기 위해 우리는 다중 스케일 표현 학습을 통한 텐서화된 비정렬 다중 시각 클러스터링(TUMCR)이라는 새로운 UMC 프레임워크를 제안했다. 구체적으로, TUMCR은 다중 스케일 표현 학습 및 정렬 프레임워크를 설계하여 뷰 간의 미지수 대응을 종합적으로 탐색할 수 있는 다중 스케일 표현 공간을 구축한다. 그런 다음, 여러 스케일 표현을 융합하고 서로 다른 뷰에 숨겨진 고차원 상관관계를 탐색하기 위해 텐서형 다중 스케일 융합 모듈을 제안하고, 이를 통해 저계층 구조를 학습하는 Enhanced Tensor Rank(ETR)를 활용한다. 또한 TUMCR은 좋은 수렴성을 가진 효율적인 알고리즘으로 해결된다. 다양한 데이터셋에서 실시한 광범위한 실험들은 우리의 TUMCR이 최첨단 방법들과 비교할 때 효과성과 우수성을 입증한다. 우리의 코드는 다음에서 공개적으로 이용할 수 있다: https://github.com/jijintian/TUMCR.