基于形状空间探索的小规模数据集数据增强：应用于二维形状分类

基于摘要分析。本文针对小规模数据集中的二维形状分类，提出通过类内形状空间探索生成增强样本的方法。核心贡献是利用同一类别的形状对进行测地插值与基于不变量的形变，产生非线性增强，以覆盖更丰富的类内形状变化。 技术机制：作者将数据增强表述为最小化两个形状之间变形的优化问题，并使用 Generalized Finite Fourier Invariant Descriptor。该方法的增强对象是二维形状，主要思路是在类内形状空间中构造变化，而非仅对原始样本施加常规变换。摘要未提供形状表示、测地路径计算、优化目标的具体形式或增强采样策略，这些实现条件尚未验证。 评估与证据：作者使用多种 CNN 架构评估二维形状分类，并报告在小规模数据集条件下优于所比较的先进增强技术。摘要未列出数据集名称、样本规模、数据划分、具体对照方法及指标数值，因此目前无法判断优势幅度及其适用范围；实验协议、消融及统计信息尚未验证。 适用边界：本文的主要研究对象是二维形状，而非 EEG 或 BCI。摘要没有建立形状空间插值与神经信号增强之间的具体对应关系，不能据此推断其具有 BCI 效果；已有 EEG 相关工作尚未检索确认。复现需进一步核对描述子的定义、形状预处理、插值生成规则，以及增强样本是否保持类别语义。