
图1

图2

图3

表1
该研究采用L2,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Ls施加于不同数据以保证模型的鲁棒性。通过理论验证,L2,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L2,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 L2,p- and L2,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/)