Class-Specific Discriminability and Multiscale Information-Based Multiview Feature Selection

论文引用 (Citation)

如果您使用此代码，请引用以下论文：

Biao Xiang, Hongmei Chen, Yong Mi, Binbin Sang, Shi-Jinn Horng, and Tianrui Li, 
"Class-Specific Discriminability and Multiscale Information-Based Multiview Feature Selection," 
IEEE Transactions on Circuits and Systems for Video Technology, 
vol. 35, no. 11, pp. 11013-11027, Nov. 2025, 
doi: 10.1109/TCSVT.2025.3576250.

BibTeX 格式：

@ARTICLE{Xiang2025Class,
  author={Xiang, Biao and Chen, Hongmei and Mi, Yong and Sang, Binbin and Horng, Shi-Jinn and Li, Tianrui},
  journal={IEEE Transactions on Circuits and Systems for Video Technology}, 
  title={Class-Specific Discriminability and Multiscale Information-Based Multiview Feature Selection}, 
  year={2025},
  volume={35},
  number={11},
  pages={11013-11027},
  doi={10.1109/TCSVT.2025.3576250}}

---

简介 (Introduction)

本代码实现了一种基于类特定判别能力和多尺度信息的多视图特征选择方法。该方法通过结合模糊粗糙集理论和多尺度粒度计算，能够有效地从多视图数据中选择最具判别性的特征子集，适用于图像、文本等多视图数据的分类任务。

关键特点：

• 多视图特征选择框架
• 多尺度信息建模
• 类特定判别能力度量
• 模糊粗糙集理论应用

---

使用方法 (Usage)

1. 环境要求

• MATLAB R2018b 或更高版本
• Statistics and Machine Learning Toolbox（用于 KNN 和 SVM 分类器）

2. 快速开始

% 将 Functions 文件夹添加到 MATLAB 路径
addpath(genpath('Functions'));

% 运行主程序
Run_Demo

3. 代码结构

• Run_Demo.m: 主程序入口，包含数据生成、参数设置和算法调用
• Functions/: 核心函数库
  • MyFunc.m: 主算法实现（有监督多视图特征选择）
  • Single2MultiScales.m: 单尺度数据转多尺度数据（粒计算方法）
  • norm2p.m: L2,p 范数计算
  • Acc_KNN_SVM.m: 使用 KNN 和 SVM 评估特征选择效果
  • generate_example_data.m: 生成多视图多尺度示例数据
• Data/: 存放生成的示例数据

4. 自定义数据

如需使用自己的数据集，请确保数据格式为：

• X: 元胞数组，每个元胞包含一个视图的特征矩阵（行为多尺度特征，列为样本）
• Y: 标签向量（n × 1）
• I: 尺度数量（整数）

---

参数说明 (Parameters)

代码中使用的关键参数（已设置为默认值）：

参数	说明	默认值
mu1	类判别性权重	10^2
mu2	稀疏性权重	10^1
mu3	局部结构权重	10^1
mu4	视图一致性权重	10^1
mu5	尺度选择权重	10^2
omega	视图权重指数	5

---

联系方式 (Contact)

如有问题或建议，请联系第一作者：

项彪 (Biao Xiang)
Email: xiangbiao@my.swjtu.edu.cn

---

许可证 (License)

本代码仅供学术研究使用。如需商业用途，请联系作者获取授权。使用本代码发表论文时，请引用前述论文。

---

致谢 (Acknowledgments)

感谢论文作者团队的工作。本代码基于论文原始实验代码整理而成。