随着信息技术的飞速发展、互联网技术和社交网络应用的迅速普及，大数据正以海量的图像、视频等形式呈现，并出现海量增长的趋势。而与之相伴的图像数据分布复杂问题已在如无人机遥感图像参数提取、森林防火等应用领域不断突显。这些数据，不仅在特征规模上呈逐渐增长趋势，也包含了很多冗余无关的特征。这类特征不仅会增加后续的图像识别任务的计算负担，也会阻滞它们性能的提升。近年来，“鲁棒判别图像子空间学习”已被提出并应用于林火识别、遥感图像分类、目标识别等领域。尽管研究人员提出了多种鲁棒判别图像特征学习策略，但是在特征学习过程中，仍然面对很多问题，例如，弱化了异类样本间小距离的作用、有限的鲁棒判别力、采用贪婪求解策略进而忽略投影之间的关联性、解向量缺乏旋转不变性进而降低图像识别任务的性能。因此，如何探索能反映图像间隐性相关性的子空间，从图像中找到蕴含更有价值的鲁棒判别特征表示是一项紧迫且重要的任务。针对上述挑战，资源所符利勇研究员课题组提出了一种基于联合L_2,p和L_2,s距离度量的“鲁棒判别图像子空间特征学习方法（RDS）”以学习复杂图像特征。通过该方法学习的特征具有较强的鲁棒性、很好的判别性、紧密的相关性。该研究方法，为无人机图像技术在森林参数提取、森林防火和森林生物量估计等应用领域提供了坚实的研究基础。

图1

图2

图3

表1

该研究采用L_2,s距离度量类内差异，其通过L₂距离度量数据空间维的距离来保证模型的旋转不变性，而将L_s施加于不同数据以保证模型的鲁棒性。通过理论验证，L_2,s距离能够增强同类样本间小距离的作用，进而保证同类样本的紧凑性（图1）。考虑到数据类间紧凑与类内散度对特征学习起着不同的作用，采用L_2,p距离度量模型中的类间可分性。为了得到更好的预测结果，给出了一种鲁棒散度差模型，设计了一种非凸迭代优化算法，并证明了算法的收敛性和解的存在性。为了缓解模型中平衡参数决策难度，设计了一种参数自动选择机制，从理论层面证明了其可行性。为了验证算法的有效性，首先在合成数据集（图2）、森林烟火图像识别（图3，表1）等问题上进行实验。所提方法与几种最相关和最受欢迎的特征提取方法进行了比较。结果证实，所提方法在性能上优于其他最新算法，表明该方法算法是有效的。

相关成果近日发表在人工智能领域国际顶尖期刊IEEE Transactions on Neural Networks and Learning Systems ——“Learning Robust Discriminant Subspace Based on Joint L_2,p- and L_2,s-Norm Distance Metrics”。符利勇研究员为论文第一作者，南京林业大学业巧林教授为通讯作者。研究得到中国林科院基本科研业务费专项资金人才项目“基于无人机平台的荒漠植被信息提取和生物量动态计测”资助。（符利勇 胡博/资源所）

（论文链接：https://ieeexplore.ieee.org/document/9257379/）