近年来，很多传统的图像分类方法，如支持向量机已被广泛应用于多源遥感图像参数提取、森林防火、遥感图像分类等领域，这类方法仅仅将每个视图特征向量简单串级，未充分利用视图统计特性和跨视图一致性与互补性。目前多视图支持向量机分类技术层出不穷，但大多未改善传统支持向量机分类方法存在的问题，如不适用于“开集识别”（如图1）、有限的鲁棒判别力（如图2）等。为了克服此类问题，中国林业科学研究院资源信息研究所符利勇研究员课题组联合南京林业大学信息科学技术学院提出了一种面向复杂多视图图像的鲁棒双边孪生支持向量机分类方法（MvRDTSVM）及其加速版（MvFRDTSVM）。该研究方法为无人机视频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 以视图1为例，多视图支持向量机的分类平面S1能分开林火和烟雾。显然，既不是林火又不是烟雾的样本被判别为烟雾类，而增加一个平面B1能较好的减少烟雾类别的错分率。

图2 经典多视图支持向量机分类方法的分类平面（异常值存在的条件下，无法保证得到理想的分类平面）
该研究通过协同利用各视图之间的一致性与互补性以及引入双边策略，提升模型的分类性能，将L1范数距离度量作用于目标损失函数和共正则项，提高模型的鲁棒能力。具体实现过程：为同一类的视图分别构建一个双边约束集，其允许同类数据位于分类平面的两侧，并通过不等式约束实现不同视图异类数据与本类分类平面之间距离的最大化，利用Hingle损失函数松弛距离最大化约束，进而提高模型的泛化能力（图3）。为了协同利用各个视图之间的一致性与互补性，设计一个共正则项，用于保证不同视图同类数据与其各自分类平面距离的最小化。考虑到真实场景下图像集中往往参杂大量的异常值，为了克服其对分类性能的影响，采用L1范数度量模型中的距离，以提高模型的鲁棒能力（图4）。为了求解所提出的非凸目标问题，设计了一种有效的迭代算法，并从理论层面证明了该算法的收敛性，且给出了模型最大间隔的数学表达形式。为了验证算法的有效性，在机器学习UCI分类、森林火灾图像识别等问题上进行了验证，所提方法与几种当前最受欢迎的多视图支持向量机分类方法进行了比较。结果证实，本研究在性能上优于其它方法，表明了该方法的有效性。

图3 正类样本由负类样本环绕情况下，本研究方法得到了理想的分类平面

图4 存在异常值情况下，本研究方法得到了理想分类平面
相关成果近日发表在人工智能领域国际顶尖期刊IEEE Transactions onCybernetics——“Multi-view Learning with Robust Double-sided Twin SVM”。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”的资助。项目负责人符利勇研究员为论文的通讯作者，南京林业大学业巧林教授为第一作者。（胡博/资源所）
（论文链接：https://ieeexplore.ieee.org/abstract/document/9543472）