基于带核图形嵌入半NMF的人脸聚类

非负矩阵分解(NMF)已被广泛研究并应用于各种计算机视觉任务,例如图像聚类和模式分类。 同时,对于人类神经系统的现实世界刺激(例如,面部图像)通常表示为高维数据矢量,该矢量数据依赖于在原始欧几里得空间中嵌入的图形。 因此,传统的NMF及其变体在此类聚类任务中表现出弱点。 在本文中,我们提出了一种基于图嵌入的Semi-NMF,用于人脸聚类的可再生内核希尔伯特空间(RKHS-SNMF)。 该算法基于可再生内核希尔伯特空间(RKHS)的可测量性和可微性的卓越属性,共同考虑了有效的降维和有效的局部几何保存。 大量的实验结果表明,我们的RKHS-SNMF聚类算法在四个基准人脸数据库上优于传统的聚类方法和基于NMF的最新聚类方法。