点击上方蓝字关注我
林业和草原国家创新联盟
关注
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,并呈海量增长的趋势。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,中国林科院资源信息研究所符利勇研究员课题组提出了一种基于联合L2,p和L2,s距离度量的鲁棒判别子空间方法(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基础