(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 202211289814.2 (22)申请日 2022.10.20 (71)申请人 重庆长安汽车股份有限公司 地址 400020 重庆市江北区鱼嘴镇长安汽 车全球研发中心 (72)发明人 罗咏刚　胡小琼　张琪　廖刚　 单玉梅　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 张伟 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 多视图聚类方法、 装置、 电子设备及存储介 质 (57)摘要 本申请涉及 多视图聚类技术领域， 特别涉及 一种多视图聚类方法、 装置、 电子设备及存储介 质， 其中， 方法包括： 获取待聚类的多个视图； 提 取每个视图的至少一个图像特征， 得到多个图像 特征； 将多个图像特征输入预先训练得到的聚类 模型， 利用聚类模型的预设公共隐空间和预设结 构化隐空间分别提取不同视图之间的互补信息 和结构信息， 利用互补信息和结构信息匹配每个 视图的实际类别， 基于实际类别对多个视图进行 聚类， 输出多个视图的聚类结果。 由此， 解决了相 关技术基于原始数据矩阵或者浅层特征构建图， 并利用不同的融合策略将多个图融合起来的方 式， 不仅计算量大， 且聚类效果严重依赖于原始 构图的质量， 从而限制了多视图聚类的效果等问 题。 权利要求书2页 说明书18页 附图5页 CN 115546525 A 2022.12.30 CN 115546525 A 1.一种多视图聚类方法， 其特 征在于， 包括以下步骤： 获取待聚类的多个视图； 提取每个视图的至少一个图像特 征， 得到多个图像特 征； 将所述多个图像特征输入预先训练得到的聚类模型， 利用所述 聚类模型的预设公共隐 空间和预设结构化隐空间分别提取不同视图之 间的互补信息和结构信息， 利用所述互补信 息和所述结构信息匹配每个视图的实际类别， 基于所述实际类别对所述多个视图进行聚 类， 输出所述多个视图的聚类结果。 2.根据权利要求1所述的方法， 其特征在于， 所述 聚类模型基于携带有真实聚类结果标 签的训练数据训练得到， 包括： 获取携带有真实聚类结果标签的训练数据， 其中， 所述训练数据包括多个视图样本； 将所述多个视图样本分别输入所述预设公共隐空间和所述预设结构化隐空间， 输出所 述视图样本之间的互补信息和结构信息； 根据所述互补信息和所述结构信息计算每个视图样本的样本点与预设聚类中心之间 的实际相似度， 根据所述实际相似度确定所述每个视图样本的实际类别， 基于所述实际类 别对所述多个视图样本聚类， 得到训练聚类结果； 根据所述训练聚类结果与 所述真实聚类结果计算训练损失值， 在所述训练损失值大于 收敛阈值时， 利用实际相似度确定的目标分布从当前信度分配中优化所述聚类中心， 并更 新所述预设结构化隐空间， 直到所述训练损失值小于或等于所述收敛阈值时， 停止迭代训 练， 得到训练完成的聚类模型。 3.根据权利要求2所述的方法， 其特征在于， 所述根据所述训练聚类结果与 所述真实聚 类结果计算训练损失值， 包括： 根据所述训练聚类结果与所述真实聚类结果计算重构损失和聚类损失； 获取所述聚类损 失的权重参数， 并根据所述权重参数、 所述聚类损 失和所述重构损 失 计算得到所述训练损失值。 4.根据权利要求2所述的方法， 其特征在于， 在将所述多个视图样本分别输入所述预设 公共隐空间和所述预设结构化隐空间， 输出所述视图样本之间的互补信息和结构信息之 前， 包括： 获取任意视图在预设样本中的隐空间表示； 以所述隐空间表示的重构损失最小为优化目标， 计算得到所述隐空间表示与 所述任意 视图之间的映射关系； 基于所述映射关系和预设多层感知机构建得到所述预设公共隐空间。 5.根据权利要求2所述的方法， 其特征在于， 在将所述多个视图样本分别输入所述预设 公共隐空间和所述预设结构化隐空间， 输出所述视图样本之间的互补信息和结构信息之 前， 包括： 利用所述预设公共隐空间构建无向k近邻图； 将所述多个视 图样本输入所述无向k近邻图， 得到所述多个视 图样本之间的实 际近邻 关系； 以所述实际近邻关系和所述预设公共隐空间表示作为预设图卷积网络的输入， 输出所 述预设公共隐空间的更新表示， 并通过所述预设图卷积网络进行逐层卷积， 得到每层卷积权　利　要　求　书 1/2 页 2 CN 115546525 A 2的更新表示， 并基于所述每层卷积的更新表示构建得到所述预设结构化隐空间。 6.一种多视图聚类方法， 其特 征在于， 包括以下步骤： 获取携带有真实聚类结果标签的训练数据， 其中， 所述训练数据包括多个视图样本； 将所述多个视图样本分别输入预设公共隐空间和预设结构化隐空间， 输出所述视图样 本之间的互补信息和结构信息； 根据所述互补信息和所述结构信息计算每个视图样本的样本点与预设聚类中心之间 的实际相似度， 根据所述实际相似度确定所述每个视图样本的实际类别， 基于所述实际类 别对所述多个视图样本聚类， 得到训练聚类结果； 根据所述训练聚类结果与 所述真实聚类结果计算训练损失值， 在所述训练损失值大于 收敛阈值时， 利用实际相似度确定的目标分布从当前信度分配中优化所述聚类中心， 并更 新所述预设结构化隐空间， 直到所述训练损失值小于或等于所述收敛阈值时， 停止迭代训 练， 得到训练完成的聚类模型， 利用所述聚类模型聚类待聚类的多个视图， 得到所述多个视 图的聚类结果。 7.一种多视图聚类装置， 其特 征在于， 包括： 第一获取模块， 用于获取待聚类的多个视图； 提取模块， 用于提取每 个视图的至少一个图像特 征， 得到多个图像特 征； 第一聚类模块， 用于将所述多个图像特征输入预先训练得到的聚类模型， 利用所述聚 类模型的预设公共隐空间和预设结构化隐空间分别提取不同视图之间的互补信息和结构 信息， 利用所述互补信息和所述结构信息匹配每个视图的实际类别， 基于所述实际类别对 所述多个视图进行聚类， 输出 所述多个视图的聚类结果。 8.一种多视图聚类装置， 其特 征在于， 包括： 第二获取模块， 用于获取携带有真实聚类结果标签的训练数据， 其中， 所述训练数据包 括多个视图样本； 处理模块， 用于将所述多个视 图样本分别输入预设公共隐空间和预设结构化 隐空间， 输出所述视图样本之间的互补信息和结构信息； 训练模块， 用于根据 所述互补信 息和所述结构信 息计算每个视图样本的样本点与 预设 聚类中心之间的实际相似度， 根据所述实际相似度确定所述每个视图样本的实际类别， 基 于所述实际类别对所述多个视图样本聚类， 得到训练聚类结果； 第二聚类模块， 用于根据所述训练聚类结果与所述真实聚类结果计算训练损 失值， 在 所述训练损失值大于收敛阈值时， 利用实际相似度确定的目标分布从当前信度分配中优化 所述聚类中心， 并更新所述预设结构化隐空间， 直到所述训练损失值小于或等于所述收敛 阈值时， 停止迭代训练， 得到训练完成的聚类模型， 利用所述聚类模 型聚类待聚类的多个视 图， 得到所述多个视图的聚类结果。 9.一种电子设备， 其特征在于， 包括： 存储器、 处理器及存储在所述存储器上并可在所 述处理器上运行的计算机程序， 所述处理器执行所述程序， 以实现如权利要求 1‑6任一项所 述的多视图聚类方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行， 以用于实现如权利要求1 ‑6任一项所述的多视图聚类方法。权　利　要　求　书 2/2 页 3 CN 115546525 A 3