基于双通道粒计算的深度多视图聚类方法

蔡超越; 马星如; 郭静; 胡鑫; 鞠恒荣; 丁卫平

doi:10.16356/j.2097-6771.2026.02.022

Chinese

您当前的位置：

首页 >

文章列表页 >

基于双通道粒计算的深度多视图聚类方法

更新时间：2026-04-30

- 基于双通道粒计算的深度多视图聚类方法
- Deep Multi‑view Clustering with Dual‑Channel Granular Computing
- 南京航空航天大学学报 2026年58卷第2期页码：457-470
- 作者机构：
  
  1.南通大学人工智能与计算机学院，南通 226019
  2.南京大学计算机软件新技术国家重点实验室，南京 210023
- 作者简介：
  
  鞠恒荣，男，副教授， E-mail： juhengrong@ntu.edu.cn。
- 基金信息：
  
  国家自然科学基金(62006128);南京大学计算机软件新技术国家重点实验室资助项目(KFKT2024B30);南通市自然科学基金(JC2024044);教育部产学合作协同育人项目(2409233550)
- DOI：10.16356/j.2097-6771.2026.02.022
  中图分类号： TP183
- 收稿：2025-07-17，
  
  修回：2025-10-29，
  
  纸质出版：2026-04-28
- 稿件说明：
移动端阅览
蔡超越，马星如，郭静，等. 基于双通道粒计算的深度多视图聚类方法［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：457⁃470.

CAI Chaoyue， MA Xingru， GUO Jing， et al. Deep multi-view clustering with dual-channel granular computing［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：457⁃470.
蔡超越，马星如，郭静，等. 基于双通道粒计算的深度多视图聚类方法［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：457⁃470. DOI： 10.16356/j.2097-6771.2026.02.022.

CAI Chaoyue， MA Xingru， GUO Jing， et al. Deep multi-view clustering with dual-channel granular computing［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：457⁃470. DOI： 10.16356/j.2097-6771.2026.02.022.

摘要

针对不同视图间存在质量差异、边界样本处理困难及局部语义结构不一致等问题，本文提出了一种基于双通道粒计算的深度多视图聚类方法。通过双通道特征融合模块，利用全局平均池化通道与全局最大池化通道分别获取视图的整体语义与显著判别特征，并融合生成增强特征。同时引入双通道对比学习策略，分别在样本级特征空间和局部模糊粒球结构进行对比学习，模糊粒球级对比学习分为粒球内部模糊粒球对比学习和跨视图模糊粒球对比学习，前者在优化聚类边界的同时使得粒球内部正样本更加靠近，后者可以确保不同视图学习到一致的粒球结构。此外，本文引入了视图自适应注意力权重分配机制，提升高质量视图在聚类中的主导作用。在8个公开的多视图数据集上验证了本文方法的有效性。结果表明，本方法和现有的MFLVC，SCMVC等多视图聚类方法相比，提高了聚类的准确性。

Abstract

In order to deal with the problems of quality differences among different views， ambiguous boundary samples and differences in semantic structures among different views， we propose deep multi-view clustering with dual-channel granular computing. A dual-channel feature fusion module is designed to strengthen key representations， where the global average pooling channel captures holistic semantics， and the global max pooling channel focuses on highly discriminative cues. Furthermore， a dual-channel contrast learning strategy is introduced for contrast learning at the sample and local fuzzy granular-ball structure level respectively. Fuzzy granular-ball level contrast learning is divided into intra-granular-ball and cross-view fuzzy granular-ball contrast learning. The former optimizes the clustering boundary by making positive samples inside the granular-ball closer. The latter ensures consistent granular-ball structures are learned across different views. Additionally， this paper introduces a view-adaptive attention weight assignment mechanism that enhances the leading role of high-quality views in clustering. We verify the effectiveness of our method on eight publicly available multi-view datasets. The results show that our method improves clustering accuracy compared to the existing multi-view clustering methods， such as MFLVC， SCMVC， etc.

关键词

Keywords

references

CHAO G ， SUN S ， BI J . A survey on multiview clustering ［J］. IEEE Transactions on Artificial Intelligence ， 2021 ， 2 （ 2 ）： 146 - 168 .

WANG Y ， CHANG D ， FU Z ， et al . Consistent multiple graph embedding for multi-view clustering ［J］. IEEE Transactions on Multimedia ， 2021 ， 25 ： 1008 - 1018 .

周天奕，丁卫平，黄嘉爽，等 . 模糊逻辑引导的多粒度深度神经网络［J］. 模式识别与人工智能， 2023 ， 36 （ 9 ）： 778 - 792 .

ZHOU Tianyi ， DING Weiping ， HUANG Jiashuang ， et al . Fuzzy logic guided deep neural network with multi-granularity ［J］. Pattern Recognition and Artificial Intelligence ， 2023 ， 36 （ 9 ）： 778 - 792 .

XU C ， GUAN Z ， ZHAO W ， et al . Deep multi-view concept learning ［C］// Proceedings of IJCAI . ［S.l.］： International Joint Conferences on Artificial Intelligence Organization ， 2018 ： 2898 - 2904 .

JU H ， GUO J ， DING W ， et al . D3WC： Deep three-way clustering with granular evidence fusion ［J］. Information Fusion ， 2025 ， 114 ： 102699 .

JU H ， LU Y ， DING W ， et al . Three-way evidence theory-based density peak clustering with the principle of justifiable granularity ［J］. Applied Soft Computing ， 2024 ， 152 ： 111217 .

陈俊芬，赵佳成，翟俊海，等 . 基于无监督学习视觉特征的深度聚类方法［J］. 南京航空航天大学学报， 2021 ， 53 （ 5 ）： 718 - 725 .

CHEN Junfen ， ZHAO Jiacheng ， ZHAI Junhai ， et al . Deep clustering method based on unsupervised visual features learning ［J］. Journal of Nanjing University of Aeronautics & Astronautics ， 2021 ， 53 （ 5 ）： 718 - 725 .

胡深，钱宇华，王婕婷，等 . 基于对比学习的超多类深度图像聚类模型［J］. 计算机科学， 2023 ， 50 （ 9 ）： 192 - 201 .

HU Shen ， QIAN Yuhua ， WANG Jieting ， et al . Super multi-class deep image clustering model based on contrastive learing ［J］. Computer Science ， 2023 50 （ 9 ）： 192 - 201 .

冯天婵 . 基于对比学习的深度多视图聚类方法研究［D］. 太原：山西大学， 2024 .

FENG Tianchan . Research on deep multi-view clustering method with contrastive learning ［D］. Taiyuan ： Shanxi University ， 2024 .

WANG Q ， CHENG J ， GAO Q ， et al . Deep multi-view subspace clustering with unified and discriminative learning ［J］. IEEE Transactions on Multimedia ， 2020 ， 23 ： 3483 - 3493 .

LIN Z ， KANG Z . Graph Filter-based multi-view attributed graph clustering ［C］// Proceedings of IJCAI . ［S.l.］： International Joint Conferences on Artificial Intelligence Organization ， 2021 ： 2723 - 2729 .

ZHANG C ， WANG S ， LIU J ， et al . Multi-view clustering via deep matrix factorization and partition alignment ［C］// Proceedings of the 29th ACM International Conference on Multimedia . ［S.l.］： ACM ， 2021 ： 4156 - 4164 .

LIU J ， LIU X ， YANG Y ， et al . Contrastive multi-view kernel learning ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2023 ， 45 （ 8 ）： 9552 - 9566 .

ZHAO X ， EVANS N ， DUGELAY J L . A subspace co-training framework for multi-view clustering ［J］. Pattern Recognition Letters ， 2014 ， 41 ： 73 - 82 .

JU H ， LU Y ， DING W ， et al . Multigranularity information fused contrastive learning with multiview clustering ［J/OL］. IEEE Transactions on Neural Networks and Learning Systems ， 2025 . DOI： 10.1109/TNNLS.2025.3574885 http://dx.doi.org/10.1109/TNNLS.2025.3574885

XIE J ， GIRSHICK R ， FARHADI A . Unsupervised deep embedding for clustering analysis ［C］// Proceedings of International Conference on Machine Learning . ［S.l.］： PMLR ， 2016 ： 478 - 487 .

GUO X ， GAO L ， LIU X ， et al . Improved deep embedded clustering with local structure preservation ［C］// Proceedings of IJCAI . New York ： Association for Computing Machinery ， 2017 ， 17 ： 1753 - 1759 .

XU J ， REN Y ， LI G ， et al . Deep embedded multi-view clustering with collaborative training ［J］. Information Sciences ， 2021 ， 573 ： 279 - 290 .

YU T ， XU Y ， YAN N ， et al . Robust and fast subspace representation learning for multi-view subspace clustering ［J］. Applied Soft Computing ， 2025 ， 175 ： 113050 .

XU J ， REN Y ， TANG H ， et al . Self-supervised discriminative feature learning for deep multi-view clustering ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2022 ， 35 （ 7 ）： 7470 - 7482 .

TANG H ， LIU Y . Deep safe multi-view clustering： Reducing the risk of clustering performance degradation caused by view increase ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . ［S.l.］： IEEE ， 2022 ： 202 - 211 .

ZHU J ， ZOU X ， LIU L ， et al . Trusted mamba contrastive network for multi-view clustering ［C］// Proceedings of ICASSP 2025-2025 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP） . ［S.l.］： IEEE ， 2025 ： 1 - 5 .

GAN Y ， YOU Y ， HUANG J ， et al . Multi-view clustering via multi-stage fusion ［J］. IEEE Transactions on Multimedia ， 2025 ， 27 ： 4571 - 4583 .

CHEN T ， KORNBLITH S ， NOROUZI M ， et al . A simple framework for contrastive learning of visual representations ［C］// Preoceedings of International Conference on Machine Learning . ［S.l.］： PMLR ， 2020 ： 1597 - 1607 .

HE K ， FAN H ， WU Y ， et al . Momentum contrast for unsupervised visual representation learning ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . ［S.l.］： IEEE ， 2020 ： 9729 - 9738 .

GRILL J B ， STRUB F ， ALTCHÉ F ， et al . Bootstrap your own latent-A new approach to self-supervised learning ［J］. Advances in Neural Information Processing Systems ， 2020 ， 33 ： 21271 - 21284 .

LI J ， ZHOU P ， XIONG C ， et al . Prototypical contrastive learning of unsupervised representations ［EB/OL］. （ 2020-5-11 ）. https：//doi.org/10.48550/arXiv.2005.04966 https://doi.org/10.48550/arXiv.2005.04966 .

CARON M ， MISRA I ， MAIRAL J ， et al . Unsupervised learning of visual features by contrasting cluster assignments ［J］. Advances in Neural Information Processing Systems ， 2020 ， 33 ： 9912 - 9924 .

FENG X ， XU Y ， LU G ， et al . Hierarchical contrastive learning for pattern-generalizable image corruption detection ［C］// Proceedings of the IEEE/CVF International Conference on Computer Vision . ［S.l.］： IEEE ， 2023 ： 12076 - 12085 .

XU J ， TANG H ， REN Y ， et al . Multi-level feature learning for contrastive multi-view clustering ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern recognition . ［S.l.］： IEEE ， 2022 ： 16051 - 16060 .

CHEN J ， MAO H ， WOO W L ， et al . Deep multiview clustering by contrasting cluster assignments ［C］// Proceedings of the IEEE/CVF International Conference on Computer Vision . ［S.l.］： IEEE ， 2023 ： 16752 - 16761 .

HU J ， SHEN L ， SUN G . Squeeze-and-excitation networks ［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . ［S.l.］： IEEE ， 2018 ： 7132 - 7141 .

WOO S ， PARK J ， LEE J Y ， et al . Cbam： Convolutional block attention module ［C］// Proceedings of the European Conference on Computer Vision （ECCV） . Cham ： Springer ， 2018 ： 3 - 19 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［J］. Advances in Neural Information Processing Systems ， 2017 ， 30 ： 5998 - 6008 .

BEZDEK J C ， EHRLICH R ， FULL W . FCM： The fuzzy c-means clustering algorithm ［J］. Computers & Geosciences ， 1984 ， 10 （ 2/3 ）： 191 - 203 .

DASGUPTA S ， LONG P M . Performance guarantees for hierarchical clustering ［J］. Journal of Computer and System Sciences ， 2005 ， 70 （ 4 ）： 555 - 569 .

YANG X ， JIAQI J ， WANG S ， et al . Dealmvc： Dual contrastive calibration for multi-view clustering ［C］// Proceedings of the 31st ACM International Conference on Multimedia . New York ： Association for Computing Machinery ， 2023 ： 337 - 346 .

WU S ， ZHENG Y ， REN Y ， et al . Self-weighted contrastive fusion for deep multi-view clustering ［J］. IEEE Transactions on Multimedia ， 2024 ， 26 ： 9150 - 9162 .

ZHANG Y ， YAN W ， TANG C ， et al . Multi-branch Space Sharing Feature Aggregation for contrastive multi-view clustering ［J］. Pattern Recognition ， 2025 ， 167 ： 111704 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据