人才强校｜中国农大李振波教授团队在图像特征提取研究工作中取得新进展

中国农大新闻网讯 近日，信电学院李振波教授课题组论文《用于图像特征提取的模糊判别块表示学习（Fuzzy Discriminative Block Representation Learning for Image Feature Extraction）》在CCF A类期刊《IEEE图像处理汇刊（IEEE Transactions on Image Processing）》上发表，论文在图像特征提取研究工作中取得新进展，提出了一种基于稀疏和低秩约束的模糊判别块表示学习模型（Fuzzy Discriminative Block Representation Learning, FDBRL）。

FDBRL旨在针对投影学习设计有效约束来增强所获子空间的可分辨性。论文基于先验知识和数据模糊关系构建模糊块权重矩阵，并将其嵌入l2,1范数约束项以实现有监督的稀疏约束。其中，设计的模糊块权重矩阵考虑了数据重构的细节信息，监督稀疏约束以增强特征表示的可分辨性和可解释性。为进一步提升模型性能，论文引入带有变换矩阵的分类损失项，使得投影学习不局限于类别数量，同时提出了一种与目标函数相匹配的可快速收敛的优化求解算法。研究发现，FDBRL更适用于小规模数据任务，小批量训练样本即可满足模型训练并获得优秀性能表现。大量实验结果表明，FDBRL在ORL、UMIST、COIL100、USPS等公共数据集上的表现均优于其他SOTA模型。

模型示意

在图像处理任务中，数据质量是决定算法能否快速有效解决问题的关键，不同的特征表示直接影响后续任务的难易程度。FDBRL模型基于双路径（表示学习和投影学习）代替传统的单路径学习充分挖掘先验知识，有助于判别特征提取，提升重要特征或区域对分类识别任务的主导作用。FDBRL模型可用于图像分类与模式识别任务，提升智慧农业应用中小规模数据任务的精度。

该研究工作的第一完成单位为中国农业大学，我校李振波教授为论文通讯作者，信电学院2019级博士研究生王云为论文第一作者。该研究工作得到了广东省重点领域研发计划课题（2020B0202010009）和国家重点研发计划课题（2020YFD0900204）的资助。

论文链接：

https://ieeexplore.ieee.org/document/9837799

供稿：信息与电气工程学院

供图：信息与电气工程学院

编辑：孟祥慈

责编：于哲