Die mehrsichtige Subraumclustering-Methode (Multi-view Subspace Clustering) strebt danach, die inhärente Struktur von Daten durch die Fusion von mehreren Sichten komplementärer Informationen zu entdecken. Die meisten existierenden Methoden extrahieren zunächst verschiedene Arten von manuell gestalteten Merkmalen und lernen dann eine gemeinsame Affinitätsmatrix für das Clustering. Der Nachteil dieses Ansatzes liegt in zwei Aspekten: 1) Mehrsichtbeziehungen werden nicht in das Merkmalslernen eingebettet, und 2) das end-to-end-Lernverfahren des tiefen Lernens ist für das mehrsichtige Clustering nicht geeignet. Selbst wenn tiefe Merkmale extrahiert wurden, stellt es ein nicht triviales Problem dar, einen geeigneten Backbone für das Clustering auf verschiedenen Datensätzen auszuwählen. Um diese Probleme zu lösen, schlagen wir die Mehrsichtigen Tiefen Subraumclustering-Netzwerke (Multi-view Deep Subspace Clustering Networks, MvDSCN) vor, die eine mehrsichtige Selbstrepräsentationsmatrix auf end-to-end-Basis lernen.Das MvDSCN besteht aus zwei Unter-Netzwerken, nämlich einem Vielfalt-Netzwerk (Diversity Network, Dnet) und einem Universalitäts-Netzwerk (Universality Network, Unet). Ein latenter Raum wird mit Hilfe tiefer konvolutioneller Autoencoder erstellt, und eine Selbstrepräsentationsmatrix wird in diesem latenten Raum mithilfe einer vollständig verbundenen Schicht gelernt. Das Dnet lernt sichtspezifische Selbstrepräsentationsmatrizen, während das Unet eine gemeinsame Selbstrepräsentationsmatrix für alle Sichten lernt. Um die Komplementarität der mehrsichtigen Repräsentationen zu nutzen, wird das Hilbert-Schmidt-Unabhängikeitskriterium (Hilbert--Schmidt Independence Criterion, HSIC) als Vielfaltregularisierer eingeführt, der nichtlineare, hochrangige Inter-sichtliche Beziehungen erfasst. Da verschiedene Sichten den gleichen Labelsraum teilen, werden die Selbstrepräsentationsmatrizen jeder Sicht durch Universalitätsregularisierung an die gemeinsame angeglichen. Das MvDSCN vereint zudem mehrere Backbones, um die Clustervorhersageleistung zu steigern und die Notwendigkeit der Modellauswahl zu vermeiden.Experimente zeigen die Überlegenheit des MvDSCN.