基于空间金字塔局部块的局部性约束表示分类

基于摘要分析。本文研究遮挡和训练数据不足条件下的人脸识别，提出 locality constrained representation based classification（LCRC），同时利用空间局部特征与训练样本的局部性信息，通过局部块表示及融合完成分类；原研究并非 EEG 或 BCI 方法。 方法不直接表示整幅人脸，而是在空间金字塔局部块上进行线性表示，再采用基于贝叶斯的方法融合。表示系数的局部性约束产生近似稀疏表示；与采用 ℓ1 范数约束的 sparse representation based classification（SRC）不同，LCRC 使用 ℓ2 范数形式，作者据此主张计算更高效。作者还定义 locality based concentration index（LCI）衡量局部块可靠性，剔除严重受损或判别力较弱的局部块。具体目标函数、局部性权重及融合计算方式尚未验证。 作者报告，基于该表示构建的三种算法在 AR 和 Extended Yale B 数据集的遮挡及每人单样本（SSPP）问题上优于所比较的当时先进方法。摘要未提供具体分数、样本划分、遮挡设置、基线配置及运行时间，不能量化性能提升，也不能将不同条件下的结果直接比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“局部表示—可靠性筛选—融合”机制可作为 EEG 局部通道受污染问题的候选思路，但人脸的规则空间结构不能直接等同于 EEG 通道拓扑。可考虑复用局部表示及可靠性融合思路，将图像块改造成通道组或时频块，并重新定义距离、训练样本字典和 LCI；低信噪比、跨被试分布变化及小样本距离估计不稳，均可能使可靠性筛选误删有效信号。一个可证伪的小实验是在固定被试内划分下，对测试 EEG 的部分通道施加可控污染，比较相同特征与字典条件下启用或禁用局部性约束、可靠性筛选的结果，并同步检查无污染条件是否退化。该迁移尚无本材料中的实验证据，已有 EEG 相关工作尚未检索确认。