用于高光谱图像分类的深度高阶张量稀疏表示

基于摘要分析。本文研究高光谱图像（HSI）的小样本分类问题，提出深度高阶张量稀疏表示网络 DHTSRNet，以提取张量特征，并与基于图学习的分类器结合完成分类；研究对象并非 EEG 或 BCI。 方法上，作者首先提出可处理任意阶张量数据的高阶张量稀疏表示（HTSR）模型，再将其扩展为深度 HTSR 模型，用于训练深度高阶张量滤波器与特征，进而构建 DHTSRNet 特征提取网络。最终分类流程结合 DHTSRNet 与摘要中标记为 GSL 的图学习分类器。其方法特点是以高阶张量稀疏表示构建深度特征提取过程，而非仅将输入交给常规深度网络；具体稀疏约束、优化目标、网络结构及图构建方式尚未验证。 作者报告，在小训练样本的 HSI 分类实验中，该方法相较其他先进 HSI 分类方法取得更好的分类表现。但摘要未给出数据集、训练样本规模、划分协议、对照方法名称及量化指标，因此无法判断优势幅度及适用边界。实验协议、消融及统计信息尚未验证，尤其需核对 HTSR、深度特征提取与图学习分类器各自的贡献，以及图构建所使用的数据范围。 平台推测（待验证）：其潜在可迁移机制是对多轴数据进行张量稀疏表示，而非 HSI 分类结果本身。若 EEG 被组织为通道×时间×频率张量，可考虑复用 HTSR 特征提取思路，但需重新设计各轴的处理方式、特征归一化和分类图。摘要未说明模型对监督信号、样本规模及张量结构的具体依赖；EEG 的低信噪比、跨被试差异和通道配置变化可能削弱稀疏表示与图邻域的可靠性。一个可检验的小实验是在固定被试内划分与相同少量标注预算下，对比 HTSR 特征与向量化稀疏表示，并固定分类器，以检验张量结构是否带来稳定收益。已有 EEG 相关工作尚未检索确认。