我们提出了基于鲁棒子空间学习的低秩表示学习子空间，该子空间有利于低秩表示的亲和性提取。学习子空间和生成表示的过程是同时进行的，因此，它们可以相互受益。在将线性投影扩展到非线性映射之后，我们的方法可以处理流形聚类问题，这可以看作是子空间聚类的一般情况。此外，在我们的模型中使用1-范数可以提高我们方法的鲁棒性。大量的实验结果证明了我们的方法在流形聚类上的有效性。
上一条：Subspace segmentation with a large number of subspaces using infinity norm minimization 下一条：Superpixels for large dataset subspace clustering
