用于单样本人脸识别的块稀疏结构低秩表示学习

基于摘要分析。本文研究每人仅一个样本（single sample per person，SSPP）的人脸识别问题，提出同时利用子空间结构与块稀疏结构的低秩表示（LRR）方法。主要贡献是通过分层局部划分构造表示，并结合局部分类与投票得到识别结果，而非直接面向 EEG 或 BCI。 方法首先把每幅图像划分为多个重叠块，分别分类后通过投票汇总结果；对每个块，再划分为多个重叠图像片，并假设这些图像片位于线性子空间。作者据此使 LRR 适用于 SSPP 情形，并形成块稀疏结构，再将子空间与块稀疏约束纳入统一目标以增强表示的判别性。摘要还提到一种不同于既有 LRR 方法的分类方式，但具体目标函数、求解过程与分类规则尚未验证。 作者报告，在三个公开人脸数据库上的实验支持方法的有效性，以及对表情、光照、遮挡和时间变化的鲁棒性。摘要未给出数据库名称、划分方式、对照基线或具体指标，不能据此判断提升幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是以局部观测构造子空间，再用低秩与块稀疏约束缓解单样本条件下的表示不足。若用于 EEG，可考虑将局部时空片段作为表示单元，但需重新定义片段、类别分组与投票机制；重叠片段并不等于独立训练样本，低信噪比、通道差异及跨被试非平稳性也可能破坏线性子空间假设。一个可检验的小实验是在预先固定划分的每类单试次 EEG 设置下，比较仅低秩约束与联合块稀疏约束，检验后者能否稳定改善分类。该方案仅为迁移假设，相关 EEG 工作尚未检索确认。