利用 Hilbert 空间填充曲线改进一维卷积神经网络的图像分类

基于摘要分析。该研究面向一维 CNN 的图像分类，考察将高维输入展开为一维序列时，局部相关性损失如何影响学习，并以 Hilbert 空间填充曲线替代传统 flatten 变换。核心贡献是将量化局部性保持程度的解析模型，与采用及不采用 Hilbert 映射的多种网络实验相对照。 机制上，Hilbert 映射旨在序列化过程中更好地保留原输入的局部邻近关系，使一维卷积仍能利用部分空间相关性。作者报告，在所考察的图像分类设置中，相比传统 flatten，Hilbert 映射在测试 Accuracy 和训练速度上具有一致优势；效果随卷积核大小变化，与解析模型的预测相符。摘要未提供具体数据集、网络配置、划分协议、数值结果及训练速度的计量方式，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 多通道数据序列化时电极空间邻近关系被破坏的问题，但前提是构造具有合理空间意义的通道布局，不能直接将图像结果视为 EEG 或 BCI 效果。可复用的是序列重排与局部性分析思路；需改造的是不规则电极坐标到规则空间的映射，以及时间维与空间维的组织方式。插值、缺失通道、跨被试电极差异及低信噪比均可能削弱收益，小数据条件下结果也可能不稳定。一个可检验的小实验是在同一 EEG 分类任务、固定数据划分与一维 CNN 配置下，对比传统 flatten 与 Hilbert 排序，并控制插值等预处理一致，考察不同卷积核大小下的分类指标与训练耗时。已有 EEG 相关工作尚未检索确认。