1. 本选题研究的目的及意义
随着信息技术的快速发展，多源数据的获取变得越来越容易，例如，我们可以很容易地从不同的角度拍摄同一物体或场景的多张图像或视频。
这种多来源的数据为我们提供了更全面的信息，但也带来了新的挑战：如何有效地整合这些异构数据以提高学习任务的性能。
多视觉聚类，作为机器学习的一个重要分支，旨在利用不同来源或视角的数据信息来更好地揭示数据内在的结构和关联性，已成为计算机视觉领域的研究热点，并在图像检索、目标识别、场景理解等方面展现出巨大的应用潜力。
2. 本选题国内外研究状况综述
近年来，多视觉聚类研究取得了显著进展，各种新方法不断涌现。
现有的研究工作主要集中在以下几个方面：特征提取与表示学习、多视图信息融合、聚类算法设计等。
1. 国内研究现状
3. 本选题研究的主要内容及写作提纲
本选题拟研究基于流形嵌入的多视觉聚类问题，旨在利用流形嵌入方法挖掘数据内在的几何结构，并结合多视觉信息融合策略，以开发出更准确、更鲁棒的多视觉聚类算法。
1. 主要内容
1.多视觉数据预处理:对多视觉数据进行预处理，包括数据清洗、特征归一化、降维等操作，以消除数据噪声和冗余信息，提高数据质量。
4. 研究的方法与步骤
本研究将采用理论分析、算法设计、实验验证相结合的研究方法，逐步推进研究工作。
1.理论分析:对多视觉聚类和流形嵌入方法进行深入研究，分析现有方法的优缺点，并在此基础上提出新的基于流形嵌入的多视觉聚类模型。
2.算法设计:针对提出的模型，设计高效的优化算法对模型参数进行求解，并分析算法的复杂度和收敛性。
5. 研究的创新点
1.提出一种新的基于流形嵌入的多视觉聚类模型:该模型能够有效地学习数据的流形结构，并在聚类过程中充分利用这些结构信息，以提高聚类的准确性和鲁棒性。
2.设计一种新的多视觉信息融合策略:该策略能够有效地整合来自不同视觉的信息，以提高聚类的准确性和鲁棒性。
3.开发一种新的基于流形嵌入的多视觉聚类算法:该算法具有较高的准确性和鲁棒性，并在公开数据集上取得了良好的性能。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
[1] 李丽, 孙俊. 基于深度多视图聚类的图像检索算法[J]. 图学学报, 2021, 42(1): 107-115.
[2] 徐俊, 陆建峰, 陈松灿. 基于稀疏表示和图学习的多视图子空间聚类[J]. 自动化学报, 2020, 46(1): 162-172.
[3] 王勇, 刘艳, 王士同. 基于自适应图学习的多视图谱聚类算法[J]. 控制与决策, 2020, 35(1): 191-198.
