CRNN：用于高光谱异常检测的协同表示神经网络

基于摘要分析。本文研究无先验知识条件下的高光谱异常检测，提出协同表示神经网络 CRNN，将传统协同表示（CR）的字典构建与表示权重优化纳入神经网络，通过全局与局部双流学习背景表示，并融合残差图识别异常。研究对象是高光谱图像，而非 EEG 或 BCI。 机制上，全局流通过优化字典原子损失构建背景字典，旨在兼顾背景覆盖与减少异常污染；局部背景字典由滑动双窗口获得。两条流依据 CR 目标学习全局与局部表示，再融合原始数据与表示数据的残差图得到检测结果。方法还引入自编码器获取潜在特征，并使用特征提取网络学习综合特征。摘要未给出具体损失公式、网络结构及各模块的训练关系。 作者报告，在六个公开高光谱数据集上的实验达到当时最先进性能，并称训练后固定的网络参数可替代传统 CR 中复杂的矩阵运算，提高推理效率。摘要未提供数据集名称、评价指标、具体分数、耗时或对照设置；实验协议、消融及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：该方法依赖高光谱图像的空间邻域、多波段结构及可由背景字典解释正常样本的假设，其机制可能对应 EEG 异常片段检测中的背景建模问题。可考虑复用协同表示目标和残差评分，但需将图像滑动窗口改造为时间或时空邻域，并重新定义背景字典。EEG 的低信噪比、跨被试差异、通道配置变化及小数据可能使正常活动产生较大残差，或使异常混入字典。一个可证伪的小实验是在固定被试内划分下，以相同预处理和背景训练片段，对比传统 CR 与神经网络化 CR 的异常检测表现及推理耗时，再检验全局—局部融合是否带来稳定增益。已有 EEG 相关工作尚未检索确认。