(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 202210657934.7 (22)申请日 2022.06.10 (71)申请人 河南工业贸易职业学院 地址 450000 河南省郑州市金 水区优胜北 路4号 (72)发明人 王铬　李钦　郝艳艳　 (74)专利代理 机构 深圳和睿宏景知识产权代理 有限公司 4 4836 专利代理师 张宏杰 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/40(2022.01) G06N 3/08(2006.01) (54)发明名称 多视图聚类方法、 装置、 计算机设备及存储 介质 (57)摘要 本申请公开了一种多视图聚类方法， 应用于 图像处理技术领域， 用于提高多视图聚类的聚类 效果。 本申请提供的方法包括： 获取目标多视图 数据， 将所述目标多视图数据输入到预设的映射 关系提取网络， 得到非线性映射信息； 通过预设 的张量分解方式， 基于所述非线性映射信息， 生 成所述目标多视图数据的共享描述信息； 根据预 设聚类方法， 对所述共享描述信息进行聚类， 得 到初始聚类结果； 基于所述初始聚类结果计算聚 类结果分布信息， 并通过所述聚类结果分布信 息， 对所述初始聚类结果进行优化， 得到目标聚 类结果。 权利要求书2页 说明书9页 附图2页 CN 115063621 A 2022.09.16 CN 115063621 A 1.一种多视图聚类方法， 其特 征在于， 包括： 获取目标多视 图数据， 将所述目标多视 图数据输入到预设的映射关系提取网络， 得到 非线性映射信息； 通过预设的张量分解方式， 基于所述非线性映射信息， 生成所述目标多视 图数据的共 享描述信息； 根据预设聚类方法， 对所述共享描述信息进行聚类， 得到初始聚类结果； 基于所述初始聚类结果计算聚类结果分布信息， 并通过所述聚类结果分布信息， 对所 述初始聚类结果进行优化， 得到目标聚类结果。 2.根据权利要求1所述的多视 图聚类方法， 其特征在于， 所述获取目标多视 图数据， 将 所述目标多视图数据输入到预设的映射关系提取网络， 得到非线性映射信息包括： 通过自编码网络和循环一 致网络构建预设的映射关系提取网络； 通过所述预设的映射关系提取网络的编码器提取所述目标多视图数据中每个视图数 据的特征数据； 根据所述循环一致网络对每个视图数据的所述特征数据进行映射关系提取， 得到非线 性映射信息 。 3.根据权利要求2所述的多视图聚类方法， 其特征在于， 在通过所述预设的映射关系提 取网络的编 码器提取所述目标多视图数据中每个视图数据的特征数据之后， 所述方法还包 括： 通过所述预设的映射关系提取网络的生成器， 基于所述特征数据， 得到每个视 图数据 的生成数据； 通过判别器判断所述每 个视图数据和所述 生成数据的缺失信息； 根据所述 缺失信息， 调整所述 生成器的参数。 4.根据权利要求1所述的多视图聚类方法， 其特征在于， 所述通过预设的张量分解方 式， 基于所述非线性映射信息， 生成所述目标多视图数据的共享描述信息包括： 获取所述非线性映射信息中每 个视图数据的特 征数据； 将所有视图数据的所述特 征数据构建得到张量信息； 通过T‑SVD对所述张量信息进行分解， 得到所述共享描述信息 。 5.根据权利要求4所述的多视图聚类方法， 其特征在于， 在通过T ‑SVD对所述张量信息 进行分解， 得到所述共享描述信息之后， 所述方法还 包括： 通过低秩张量约束方法提取 所述共享描述信息中的高阶结构信息 。 6.根据权利要求1所述的多视 图聚类方法， 其特征在于， 所述根据预设聚类方法， 对所 述共享描述信息进行聚类， 得到初始聚类结果包括： 获取所述共享描述信息中的聚类 类别数； 通过K‑means算法， 基于所述聚类类别数， 对所述共享描述信息进行聚类， 得到所述初 始聚类结果。 7.根据权利要求1所述的多视图聚类方法， 其特征在于， 所述基于所述初始聚类结果计 算聚类结果分布信息， 并通过所述聚类结果分布信息， 对所述初始聚类结果进 行优化， 得到 目标聚类结果包括： 根据所述初始聚类结果计算实际分布信 息和目标分布信 息， 并将所述实际分布信 息和权　利　要　求　书 1/2 页 2 CN 115063621 A 2所述目标分布信息作为聚类结果分布信息； 根据反向传播策略， 通过所述聚类结果分布信息， 对所述预设的映射关系提取网络进 行反向传播， 得到参数优化信息； 通过所述参数优化信息， 调整所述实际分布信息， 以得到目标聚类结果。 8.一种多视图聚类装置， 其特 征在于， 包括： 映射信息提取模块， 用于获取目标多视 图数据， 将所述目标多视 图数据输入到预设的 映射关系提取网络， 得到非线性映射信息； 描述信息获取模块， 用于通过预设的张量分解方式， 基于所述非线性映射信息， 生成所 述目标多视图数据的共享描述信息； 聚类模块， 用于根据预设聚类方法， 对所述共享描述信息进行聚类， 得到初始聚类结 果； 优化模块， 用于基于所述初始聚类结果计算聚类结果分布信息， 并通过所述聚类结果 分布信息， 对所述初始聚类结果进行优化， 得到目标聚类结果。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并在所述处理器上 运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7 中任一项所述多视图聚类方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处理器执行时实现如权利要求 1至7中任一项 所述多视图聚类方法的 步骤。权　利　要　求　书 2/2 页 3 CN 115063621 A 3