With the development of feature extraction technique, one image object can be represented by multiple heterogeneous features from different views that locate in high-dimensional space. Multiple features can reflect various characteristics of the same object; they contain compatible and complementary information among each other, integrating them together used in the special image processing application that can obtain better performance. However, facing these multi-view features, most dimensionality reduction methods fail to completely achieve the desired effect. Therefore, how to construct an uniform low-dimensional embedding subspace, which exploits useful information from multi-view features is still an important and urgent issue to be solved. So, we propose an innovative fusion dimension reduction method named tensor dispersion-based multi-view feature embedding (TDMvFE). TDMvFE reconstructs a feature subspace of each object by utilizing its k nearest neighbors, which preserves the underlying neighborhood structure of the original manifold in the lower dimensional mapping space. The new method fully exploits the channel correlations and spatial complementarities from the multi-view features by tensor dispersion analysis model. Furthermore, the method constructs an optimization model and derives an iterative procedure to generate the unified low dimensional embedding. Various evaluations based on the applications of image classification and retrieval demonstrate the effectiveness of our proposed method on multi-view feature fusion dimension reduction.

中文翻译：

---

用于降维的基于张量分散的多视图特征嵌入

随着特征提取技术的发展，一个图像对象可以用位于高维空间的不同视角的多个异构特征来表示。多个特征可以反映同一对象的各种特征；它们包含相互兼容和互补的信息，将它们集成在一起，用于可以获得更好性能的特殊图像处理应用程序。然而，面对这些多视图特征，大多数降维方法都无法完全达到预期的效果。因此，如何构建一个统一的低维嵌入子空间，利用多视图特征中的有用信息，仍然是一个重要且亟待解决的问题。所以，我们提出了一种创新的融合降维方法，称为基于张量色散的多视图特征嵌入（TDMvFE）。TDMvFE 通过利用其 k 个最近邻来重建每个对象的特征子空间，这在较低维映射空间中保留了原始流形的底层邻域结构。新方法通过张量色散分析模型充分利用了多视图特征中的通道相关性和空间互补性。此外，该方法构建优化模型并导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。TDMvFE 通过利用其 k 个最近邻来重建每个对象的特征子空间，这在较低维映射空间中保留了原始流形的底层邻域结构。新方法通过张量色散分析模型充分利用了多视图特征中的通道相关性和空间互补性。此外，该方法构建优化模型并导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。TDMvFE 通过利用其 k 个最近邻来重建每个对象的特征子空间，这在较低维映射空间中保留了原始流形的底层邻域结构。新方法通过张量色散分析模型充分利用了多视图特征中的通道相关性和空间互补性。此外，该方法构建优化模型并导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。它在低维映射空间中保留了原始流形的底层邻域结构。新方法通过张量色散分析模型充分利用了多视图特征中的通道相关性和空间互补性。此外，该方法构建优化模型并导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。它在低维映射空间中保留了原始流形的底层邻域结构。新方法通过张量色散分析模型充分利用了多视图特征中的通道相关性和空间互补性。此外，该方法构建优化模型并导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。该方法构建优化模型并推导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。该方法构建优化模型并推导出迭代过程以生成统一的低维嵌入。基于图像分类和检索应用的各种评估证明了我们提出的方法在多视图特征融合降维方面的有效性。