随着大数据的出现、信息技术的飞速发展，人们迫切希望利用更多的数据信息从不同的视角对森林场景进行更全面的描述，以解决更多的应用问题，如森林火灾检测等。其中，如何构建更具鲁棒判别的多视图学习模型对这些信息进行综合利用，是目前值得挑战和攻克的研究点之一。资源所符利勇研究团队以复杂的多视图数据为研究对象（以多视图森林火灾图像为例），设计了一款有效的多视图智能学习算法——基于视图间差异最大化、视图内一致性最小化的多视图广义特征值近似支持向量机。该算法在结合了其对于相同类别不同视角之间一致性与互补性考虑的同时，增加了对于不同视角之间差异性的分析，与此同时，使用结构稀疏距离代替平方距离，不仅提高了算法的判别性，同时增加了其鲁棒性。所构建的目标函数具非平滑和非凸性，为了求解该问题，提出了一个有效的迭代求解方法，从理论上证明了算法的收敛性，并在森林火灾、人脸图像数据集上验证了算法的有效性。该研究成果，进一步为人工智能技术在火灾监测和识别等研究方面提供了坚实的理论基础。

研究成果以“Improved Multi-view GEPSVM via Inter-View Difference Maximization and Intra-view Agreement Minimization”为题，在国际工程技术领域TOP期刊《Neural Networks》上发表。课题组联合培养硕士研究生程雅雯、尹航，以及南京林业大学业巧林副教授为论文共同第一作者，资源所符利勇研究员为通讯作者。（符利勇、胡博/资源所）

原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0893608020300472