用于高光谱图像分类的全局与局部表征净化对比学习

基于摘要分析。本文研究高光谱图像（HSI）分类，提出净化对比学习（PCL）框架，针对滑动窗口采样产生的高相似负样本对，以及局部特征提取难以兼顾远距离空间与光谱依赖的问题，结合空间—光谱编码器与基于超像素空间先验的对比损失，利用未标注样本学习表征。 机制上，作者指出，同一 mini-batch 中部分滑动窗口样本高度相似，将这些样本组成负样本对会削弱对比学习效果。PCL 以超像素空间先验设计净化对比损失，并组合 CNN 与 Transformer，分别捕获局部特征和全局依赖。摘要未披露负样本净化的具体规则、损失公式、编码器结构及训练流程，这些细节尚未验证。 作者报告，在三个公共 HSI 数据集上的实验中，PCL 优于所比较的先进方法；摘要未给出数据集名称、划分协议、基线及具体指标，因此无法核对优势幅度与适用条件。实验协议、消融及统计信息尚未验证。作者提供了代码仓库，但代码完整性、运行条件及结果可复现性尚未核验。 平台推测（待验证）：可迁移的假设是，相邻或重叠 EEG 时间窗也可能形成高相似负样本，从而影响对比表征学习；但 HSI 的超像素空间先验不能直接等同于 EEG 的时间邻近或通道关系。可复用的是利用先验审视负样本构成的思路，需改造的是样本关系定义及净化规则。低信噪比、跨被试差异、通道配置变化和小数据条件下，相似性未必代表相同脑状态，过滤还可能移除有用的难负样本。一个可证伪的小实验是在固定被试划分、编码器和训练预算下，对比标准对比学习与时间邻近先验过滤，并以随机过滤作为对照，检查下游分类改善是否稳定。已有 EEG 相关工作尚未检索确认。