摘 要：隨著數(shù)據(jù)獲取方式的多樣化發(fā)展，針對多視圖領域的算法研究變得越來越重要，但大多數(shù)方法僅通過自表示屬性或局部結(jié)構(gòu)獲取樣本間的相似性關系，在此過程中忽略了整體樣本的聚類結(jié)構(gòu)和原始空間的噪聲的影響，使得聚類結(jié)果存在較大誤差。為解決此問題，提出了一種基于聚類結(jié)構(gòu)和局部相似性的多視圖隱空間聚類方法（multi-view latent subspace clustering with cluster structure and local similarity，MLC2L），通過隱表示融合不同視圖上的共享信息并抑制噪聲的存在。此外，通過探索隱空間內(nèi)樣本間的局部相似性關系和整體的聚類結(jié)構(gòu)促進樣本達到同類聚合、異類遠離的目的；最后引入一個交替方向迭代優(yōu)化算法來快速求解目標函數(shù)。實驗結(jié)果顯示，在六個真實數(shù)據(jù)集的實驗中，MLC2L在MSRC-v1、UCI以及100Leaves上的五個評價指標均為最優(yōu)，在3Sources、WebKB和Prokaryotic等數(shù)據(jù)集上的五個指標有四個最優(yōu)，大量的實驗分析也證明了融合局部結(jié)構(gòu)和整體聚類結(jié)構(gòu)的MLC2L在多視圖聚類任務上的有效性。

關鍵詞：多視圖聚類； 隱空間； 聚類結(jié)構(gòu)； 局部相似性

中圖分類號：TP311.13?? 文獻標志碼：A

文章編號：1001-3695（2023）09-014-0000-00

doi：10.19734/j.issn.1001-3695.2022.12.0834

Multi-view latent subspace clustering with cluster structure and local similarity

Song Fei

（School of Information Technology， Jiangsu Open University， Nanjing 210017， China）

Abstract：In recent years， with the diversification of data acquisition， multi-view learning has become more and more important. Most multi-view clustering methods obtain the similarity between samples through self-representation or local structures. However， these methods dont consider the influence of noise and the clustering structure of the overall sample， which may lead to a large error in the clustering study. To address this issue， this paper proposed a multi-view latent subspace clustering with cluster structure and local similarity （MLC2L） ， which combined shared information on different views and suppresses the presence of possible noise through latent representations. Besides， it simultaneously explored the clustering structure and local similarity in the latent space， so the samples could be promoted to achieve the purpose of homogeneous aggregation and heterogeneous separation. Further， this paper introduced an alternate direction iterative optimization algorithm to quickly solve the objective function. The experimental results in six real datasets show that the proposed method is optimal for five evaluation metrics on MSRC-v1， UCI， and 100Leaves， and four out of five metrics on 3Sources， WebKB， and Prokaryotic datasets. Extensive experimental results demonstrate the effectiveness of the MLC2L， which combines local structure and overall clustering structure， in multi-view clustering tasks.

Key words：multi-view clustering; latent space; cluster structure; local similarity

0 引言

隨著科學技術的飛速發(fā)展，描述對象的技術方式越來越多樣化，相應的數(shù)據(jù)表示方式也各不相同［1，2］，如利用多個攝像頭采集同一區(qū)域的行人信息［3］，用圖片、音頻和文字去描述一個物體［4］，此外還可通過人工提取圖片的HOG特征、LBP特征等方式獲得多視圖數(shù)據(jù)。因此，如何有效利用來自不同采集設備的數(shù)據(jù)成為研究人員越來越重視的問題。此外，由于收集到的無標簽數(shù)據(jù)越來越多，人工標注將耗費大量時間成本，研究人員也提出了對應的聚類方法［5，6］將數(shù)據(jù)分成不同的聚類簇。然而這些方法僅適用于單個視圖數(shù)據(jù)，它們并不能很好地處理多視圖的數(shù)據(jù)。為解決此問題，文獻［7，8］將單視圖方法推廣到多視圖領域以探究不同視圖間的相互關系，并結(jié)合不同視圖上的有效信息提升最終的聚類效果。

現(xiàn)有的多視圖聚類學習方法的最終目的大多是為了獲得共同的低維表示、親和度圖或聚類指示矩陣，并以此將原始數(shù)據(jù)分成不同的聚類簇。為達到上述目的，文獻［9，10］直接從原始空間學習樣本間的相似性關系中獲得親和度圖，并通過一個共享的親和度圖融合不同視圖上的信息。但原始空間中樣本間的相似性關系易受空間維度、噪聲等因素影響，學習到的親和度圖可能無法完整地表達多個視圖上的共享信息。文獻［11～13］基于子空間的多視圖聚類方法將原始空間中的數(shù)據(jù)經(jīng)過一個線性映射器投影到子空間中，之后在子空間中學習樣本間的相似性關系；此外，這些算法在學習樣本間關系的同時也融合了不同視圖上的共享信息，并注意到不同視圖間的重要性差異。然而這些方法并沒有考慮到原始數(shù)據(jù)中可能存在噪聲的事實，在投影過程中噪聲依舊被帶到子空間中繼續(xù)影響模型的性能。文獻［14，15］則通過自表示屬性學習得到自表示系數(shù)矩陣，再通過自表示矩陣得到融合后的親和度圖，此外通過核范數(shù)、L1范數(shù)等措施獲得樣本的低秩、稀疏屬性并降低原始數(shù)據(jù)中噪聲的影響。文獻［16，17］則通過一個隱表示融合不同視圖間的共享信息并回避噪聲的影響，假設不同視圖上的數(shù)據(jù)均是由隱空間中的共享表示經(jīng)過不同轉(zhuǎn)換矩陣映射到相應原始空間并混合部分噪聲生成的，然而這些文獻并沒有考慮到樣本間的相似性關系，使得最終的實驗性能無法達到最優(yōu)。

為探究訓練樣本整體的分布關系，文獻［18～21］在前人的基礎上引出聚類結(jié)構(gòu)約束，以便從全局直接學習到數(shù)據(jù)的內(nèi)部結(jié)構(gòu)和聚類指示矩陣。其中，文獻［18］通過各自的視圖相關生成矩陣將相應的原始視圖表示投影到一個隱完整空間表示上，再將該隱完整空間表示分解成聚類結(jié)構(gòu)和聚類指示矩陣；文獻［20］則是通過自表示屬性獲得各自視圖上樣本的自表示矩陣，之后統(tǒng)合各個視圖上一致性與差異性信息，最終將統(tǒng)一的自表示矩陣分解為聚類結(jié)構(gòu)和聚類指示矩陣?？梢园l(fā)現(xiàn)，大多數(shù)研究均是從原始數(shù)據(jù)的學習表示上獲得聚類結(jié)構(gòu)和聚類指示矩陣，因此學習結(jié)果的好壞很大程度上受限于隱表示的學習。為解決此問題，本文提出了一種基于聚類結(jié)構(gòu)和局部相似性的多視圖隱空間聚類方法（multi-view latent subspace clustering with cluster structure and local similarity，MLC2L），通過一個隱表示融合不同視圖上的共享信息并降低原始空間中可能存在的噪聲干擾，之后在隱空間中同時學習隱表示的局部結(jié)構(gòu)和聚類結(jié)構(gòu)，以此促進學習到的隱表示能被更好地分為不同的聚類簇。此外，本文提出了一個有效的交替迭代求解方法，在多個真實數(shù)據(jù)集上的實驗結(jié)果表明本文提出的方法達到或超過了最新提出的方法。

3 實驗與分析

本章以豐富的實驗結(jié)果展示MLC2L算法的實際性能。實驗數(shù)據(jù)均來自網(wǎng)上公開真實數(shù)據(jù)集，實驗結(jié)果將與新近提出的算法實驗結(jié)果進行對比。為度量實驗效果的準確性，所有實驗均采用F-score、precision、recall、NMI（normalized mutual information）和ARI（adjusted Rand index）五個具體的聚類評估指標。所有結(jié)果均為多次重復實驗所得。

3.1 數(shù)據(jù)集

a）MSRC-v1［30］，此多視圖數(shù)據(jù)集共包括樹、建筑、牛、人臉、自行車、汽車和飛機7類共210個圖片樣本。本文將使用該數(shù)據(jù)集中的四個視圖數(shù)據(jù)，分別為CMT特征、GIST特征、LBP特征和GENT特征。

b）UCI Digit［31］，此多視圖數(shù)據(jù)共包括手寫體數(shù)字0～9共10類樣本，每類樣本200個。本實驗所用三個視圖均來自UCI數(shù)據(jù)庫，三個視圖分別為輪廓相關性特征（216維）、傅里葉系數(shù)矩陣（76維）、Karhunen-Love系數(shù)矩陣（64維）。

c）100Leaves［32］，此多視圖數(shù)據(jù)共包括100種植物的葉子樣本，所有樣本共1 600個。所用三個視圖包括形狀描述子（64維）、精細尺度邊距（64維）和紋理直方圖特征（64維）。

d）3Sources［33］，此多視圖數(shù)據(jù)集共包括6類416篇新聞數(shù)據(jù)，其中169篇文章來自三家不同媒體（BBC，Guardian，Reuters）。本文將使用來源于三家不同媒體的169篇新聞數(shù)據(jù)集，三個視圖的維度分別為3560維、3068維和3631維。

e）WebKB［34］，此多視圖數(shù)據(jù)包括4類共203個網(wǎng)頁樣本，所有樣本收集于大學計算機科學實驗室，每個網(wǎng)頁均由網(wǎng)頁內(nèi)容（1703維）、超鏈接的錨文本（230維）和標題文本（230維）組成。

f）Prokaryotic［35］，此多視圖數(shù)據(jù)共包括4類551個樣本，所有樣本均為異構(gòu)多視圖數(shù)據(jù)描述的原核微生物，包括文本數(shù)據(jù)和不同的基因組表示形式。該多視圖數(shù)據(jù)包括文本描述（438維）、蛋白質(zhì)組組成基因組（393維）和是否存在于基因庫中的指示符（3維）。

具體數(shù)據(jù)集描述如表1所示。

3.2 對比方法

a）Co-regularized spectral clustering（Co-reg）［7］。Co-reg假設多視圖數(shù)據(jù)上由單個視圖通過譜聚類得到的聚類指示矩陣應趨于一致，為達到此目的，Co-reg通過增加協(xié)同正則化約束來減少不同視圖上的聚類指示矩陣間的差異性。

b）Robust multi-view spectral clustering（RMSC） ［36］。RMSC通過引入標準的隱馬爾可夫鏈至聚類過程中，并在親和度圖上引入秩約束和稀疏性約束，使得融合后的親和度圖更加能表示樣本間的相似性關系。

c）Latent multi-view subspace clustering（LMSC） ［15］。LMSC引入隱表示融合不同視圖上的共享信息，并在隱空間內(nèi)利用樣本的自表示屬性獲得系數(shù)矩陣。

d）Multi-view low-rank sparse subspace clustering（MLRSC） ［14］。MLRSC通過自表示屬性在不同視圖上建立各自的系數(shù)矩陣，并通過約束系數(shù)矩陣低秩、稀疏獲得更好的表示，此外在學習的過程中也考慮到了不同視圖間的差異性。

e）Graph-based multi-view clustering（GMC） ［9］。GMC在不同視圖上各自學習到相似度圖，之后通過一個共享的相似度圖約束各個視圖上的相似度圖區(qū)域一致，在約束的過程中充分考慮到不同視圖的不同重要性。

f）Latent representation correlation preserving（LRCP） ［37］。LRCP在原始空間獲得各個視圖的初始相似度圖，并以此為基礎學習得到一個共同的隱表示，之后在隱空間中保持樣本間的互相關關系映射。

g）Self-weighting multi-view spectral clustering based on nuclear norm（SMSCN）［37］。SMSCN先在不同視圖上獲得初始的親和度圖，之后引入一個共同的親和度圖用于融合不同視圖上的共享信息，同時引入核范數(shù)來探索各自視圖上的獨特信息。

表2～7展示了本文MLC2L算法與對比方法的實驗性能。從具體實驗結(jié)果可知，MLC2L在大多數(shù)數(shù)據(jù)集上均能獲得超越現(xiàn)有方法的優(yōu)良性能。具體地，在數(shù)據(jù)集MSRC-v1、UCI和100Leaves上，MLC2L在各項聚類指標上均獲得了最優(yōu)的實驗結(jié)果，且在某些指標上MLC2L相比次優(yōu)的方法提升較大，如在數(shù)據(jù)集MSRC-v1上，MLC2L所獲得的NMI實驗結(jié)果（0.848）相對于次優(yōu)結(jié)果（0.812）提高了大約4.4%左右;在數(shù)據(jù)集UCI上，MLC2L所獲得的Precision實驗結(jié)果（0.921）相對于次優(yōu)結(jié)果（0.889）提高了大約3.5%左右；在其余三個數(shù)據(jù)集上，MLC2L僅有一項聚類指標未能達到最優(yōu)的實驗效果分別為3Sources（recall）、WebKB（recall）和Prokaryotic（NMI）。綜合來看，相比于算法，MLC2L在隱空間中共同學習樣本間的局部相似性和整體的聚類結(jié)構(gòu)后使得學習到的隱表示更加符合同類聚合、異類遠離的實驗目標。

由于在迭代求解過程中，λ2僅涉及到總的目標函數(shù)值的計算，實際并不參與求解W、Y、S、M、B五個未知變量，所以本文將先探索展示超參數(shù)λ1、λ3對整體目標函數(shù)的影響，其中λ1關乎局部結(jié)構(gòu)的影響，λ3關乎整體聚類結(jié)構(gòu)的影響。圖1具體展示了超參數(shù)λ1、λ3與聚類指標NMI之間的關系，從圖中可以看出在不同數(shù)據(jù)集上，λ1和λ3的不同取值對于聚類性能的影響是不同的，特別地在MSRC-v1和Prokaryotic數(shù)據(jù)集上，樣本聚類性能對聚類結(jié)構(gòu)λ3的變化更敏感；而在UCI和100Leaves數(shù)據(jù)集上，λ1和λ3的變化對于整體聚類性能的影響并不太敏感；而在剩余兩個數(shù)據(jù)集上，聚類性能對于λ1和λ3的變化都很敏感。此外，在大多數(shù)數(shù)據(jù)集上λ1基本都會取到預設定的最大值，可以預見的是，若逐步擴大參數(shù)的篩選范圍，本文方法可能獲得更加優(yōu)良的聚類性能。

圖2展示了超參數(shù)λ2與NMI之間的關系?？梢钥闯鲈诟鱾€實驗數(shù)據(jù)集上，聚類性能指標NMI受超參數(shù)λ2的影響較小，在不影響精度的情況下可以將其設定為確定值以減少參數(shù)篩選所帶來的時間消耗。

圖3展示了隱表示維度d與NMI之間的關系。可以看出本文方法中隱表示的維度大多在100維以下便可達到最優(yōu)的聚類實驗性能，相比于原始多視圖數(shù)據(jù)的高維維數(shù)，引入隱表示不但可以融合多視圖數(shù)據(jù)獲得一個共享的表示，同時也可用更低的維度表示原始數(shù)據(jù)以便下游分類、檢測方法使用，此外也可抑制可能存在的噪聲，以此提高樣本聚類實驗的性能。

圖4展示了優(yōu)化求解算法迭代輪次與NMI之間的關系，從各個數(shù)據(jù)集上的實驗效果來看，本文方法基本可在前15輪求解輪次內(nèi)達到目標函數(shù)收斂的目的，以此可從側(cè)面證明本文方法的高效性能。

從上述聚類實驗結(jié)果和具體參數(shù)分析來看，MLC2L通過引入隱表示融合不同視圖上的共享信息，并在隱空間內(nèi)同時學習樣本的局部相似性和全局聚類結(jié)構(gòu)，以此促進學習到的隱表示能獲得更加合理的表示組成，并在隱空間內(nèi)達到同類聚合、異類遠離的分布結(jié)構(gòu)。最后的目標函數(shù)迭代曲線也展示了所提出方法的收斂性。

4 結(jié)束語

本文提出了一種基于聚類結(jié)構(gòu)和局部相似性的多視圖隱空間聚類方法MLC2L，通過一個隱表示學習不同視圖上的共享信息并降低原始空間中可能存在的噪聲干擾，之后在隱空間中同時學習樣本的局部結(jié)構(gòu)和聚類結(jié)構(gòu)，以此促進學習到的隱表示能獲得更加合理的表示組成，并在隱空間內(nèi)達到同類聚合、異類遠離的聚類簇分布。在多個真實數(shù)據(jù)集上的實驗結(jié)果

證明了MLC2L的優(yōu)越性能，具體地，涉及到6個真實數(shù)據(jù)集上的30個結(jié)果指標，在8個對比方法中，有26個結(jié)果最高，4個結(jié)果次高。特別地，在MSRC-v1上，針對性能指標NMI，MLC2L相對于次優(yōu)結(jié)果提高了4.4%左右，在UCI上，性能指標MLC2L，precision相對于次優(yōu)結(jié)果提高了3.5%左右。此外，收斂性實驗結(jié)果顯示MLC2L方法在15輪迭代左右已經(jīng)收斂。大量的實驗結(jié)果證明了本文方法的有效性和收斂性。在未來的工作中將進一步考慮不完整視圖中如何應用聚類結(jié)構(gòu)。

參考文獻：

[1]Fu Lele，Lin Pengfei，Vasilakos A V，et al.An overview of recent multi-view clustering［J］.Neurocomputing，2020，402（8）：148-161.

［2]趙博宇，張長青，陳蕾，等.生成式不完整多視圖數(shù)據(jù)聚類［J］.自動化學報，2021，47（8）：1867-1875.（Zhao Boyu，Zhang Changqing，Chen Lei， et al.Generative model for partial multi-view clustering［J］.Acta Automatica Sinica，2021，47（8）：1867-1875.）

［3]Hussain T，Muhammad K，Ding Weiping，et al.A comprehensive survey of multi-view video summarization［J］.Pattern Recognition，2021，109（1）：107567.

［4]Baltruaitis T，Ahuja C，Morency L P.Multimodal machine learning：A survey and taxonomy［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2019，41（2）：423-443.

［5]Von Luxburg U.A tutorial on spectral clustering［J］.Statistics and Computing，2007，17（4）：395-416.

［6]Likas A，Vlassis N，Verbeek J J.The global K-means clustering algorithm［J］.Pattern recognition，2003，36（2）：451-461.

［7]Bickel S，Scheffer T.Multi-view clustering［C］//Proc of the 4th IEEE International Conference on Data Mining.Washington DC：IEEE Computer Society，2004：19-26.

［8]Kumar A，Rai P，Daumé H.Co-regularized multi-view spectral clustering［C］//Proc of the 24th International Conference on Neural Information Processing Systems.Red Hook，NY：Curran Associates Inc，2011：1413-1421.

［9]Nie Feiping，Cai Guohao，Li Xuelong.Multi-view clustering and semi-supervised classification with adaptive neighbours［C］//Proc of the 31st AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2017：2408-2414.

［10]Wang Hao，Yang Yan，Liu Bing.GMC：graph-based multi-view clustering［J］.IEEE Trans on Knowledge and Data Engineering，2020，32（6）：1116-1129.

［11]Wang Rong，Nie Feiping，Wang Zhen，et al.Parameter-free weighted multi-view projected clustering with structured graph learning［J］.IEEE Trans on Knowledge and Data Engineering，2020，32（10）：2014-2025.

［12]Wang Beilei，Xiao Yun，Li Zhihui，et al.Robust self-weighted multi-view projection clustering［C］//Proc of the 34th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2020：6110-6117.

［13]Gao Quanxue，Wan Zhizhen，Liang Ying，et al.Multi-view projected clustering with graph learning［J］.Neural Networks，2020，126（6）：335-346.

［14]Gao Hongchang，Nie Feiping，Li Xuelong，et al.Multi-view subspace clustering［C］//Procs of IEEE International Conference on Computer Vision.Piscataway，NJ：IEEE Press，2015.

［15]Brbic＇ M，Kopriva I.Multi-view low-rank sparse subspace clustering［J］.Pattern Recognition，2018，73（1）：247-258.

［16]Zhang Changqing，Hu Qinghua，F(xiàn)u Huazhu，et al.Latent multi-view subspace clustering［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2017：4333-4341.

［17]Chen Mansheng，Huang Ling，Wang Changdong，et al.Multi-view clustering in latent embedding space［C］//Proc of the 34th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2020：3513-3520.

［18]Huang Ling，Chao Hongyang，Wang Changdong.Multi-view intact space clustering［J］.Pattern Recognition，2019，86（2）：344-353.

［19]Zhang Zheng，Liu Li，Shen Fumin，et al.Binary multi-view clustering［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2019，41（7）：1774-1782.

［20]Si Xiaomeng，Yin Qiyue，Zhao Xiaojie，et al.Consistent and diverse multi-view subspace clustering with structure constraint［J］.Pattern Recognition，2022，121（1）：108196.

［21]Ding C，He Xiaofeng，Simon H D.On the equivalence of nonnegative matrix factorization and spectral clustering［C］//Proc of SIAM International Conference on Data Mining.［S.l.］：Society for Industrial and Applied Mathematics，2005：606-610.

［22]Nie Feiping，Wang Xiaoqian，Jordan M I，et al.The constrained Laplacian rank algorithm for graph-based clustering［C］//Pro of the 30th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2016：1969-1976.

［23]Grone R，Merris R，Sunder V S.The Laplacian spectrum of a graphs［J］.SIAM Journal on Matrix Analysis and Applications，1990，11（2）：218-238.

［24]Jeribi A.Spectral graph theory［M］//Spectral Theory and Applications of Linear Operators and Block Operator Matrices.Cham：Springer，2015：413-439.

［25]Fan K.On a theorem of Weyl concerning eigenvalues of linear transformations I［J］.Proceedings of the National Academy of Sciences of the United States of America，1949，35（11）：652-655.

［26]Gong Yunchao，Lazebnik S，Gordo A，et al.Iterative quantization：a procrustean approach to learning binary codes for large-scale image retrieval［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，2013，35（12）：2916-2929.

［27]Huang，Jin，Nie Feiping，Huang Heng.Spectral rotation versus K-means in spectral clustering［C］//Proc of the 27th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2013：431-437.

［28]Xia Rongkai，Yan Pan，Du Lei，et al.Robust multi-view spectral clustering via low-rank and sparse decomposition［C］//Proc of the 28th AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2014：2149-2155.

［29]Wang Siwei，Liu Xinwang，Zhu Xinzhong，et al.Fast parameter-free multi-view subspace clustering with consensus anchor guidance［J］.IEEE Trans on Image Processing，2022，31：556-568.

［30]Xu Jinglin，Han Junwei，Nie Feiping.Discriminatively embedded K-means for multi-view clustering［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Washington DC：IEEE Computer Society，2016：5356-5364.

［31]Multiple Features data set［DB/OL］.https：//archive.ics.uci.edu/ml/datasets/Multiple+Features.

［32]One-hundred plant species leaves data set［DB/OL］.https：//archive.ics.uci.edu/ml/datasets/One-hundred+plant+species+leaves+data+set.

［33]3 Sources dataset［DB/OL］.http：//mlg.ucd.ie/datasets/3sources.html.

［34]LINQ［DB/OL］.https：//linqs.org/datasets/.

［35]Brbic＇ M，Pikorec M，Vidulin V，et al.The landscape of microbial phenotypic traits and associated genes［J］.Nucleic Acids Research，2016，44（21）：10074-10090.

［36]Gui Zhongyan，Yang Jing，Xie Zhiqiang.Learning an enhanced consensus representation for multi-view clustering via latent representation correlation preserving［J］.Knowledge-Based Systems，2022，253（10）：109479.

［37]Shi Shaojun，Nie Feiping，Wang Rong，et al.Self-weighting multi-view spectral clustering based on nuclear norm［J］.Pattern Recognition，2022，124（4）：108429.

收稿日期：2022-12-06；

修回日期：2023-03-14

基金項目：國家自然科學基金青年科學基金資助項目（62206114）

作者簡介：宋菲（1987-），女，安徽合肥人，講師，碩士，主要研究方向為計算機視覺（609673251@qq.com）.