面向每人单样本人脸识别的局部鲁棒稀疏表示

基于摘要分析。本文研究每人单样本（single sample per person，SSPP）条件下的鲁棒人脸识别，提出 local robust sparse representation（LRSR），以应对查询图像中的表情、光照与遮挡等类内变化。核心贡献是结合局部稀疏表示模型与基于图像块的通用变化字典学习模型，弥补单个身份样本难以覆盖潜在类内变化的问题。 机制上，方法利用局部表示与通用变化字典预测查询图像可能出现的人脸类内变化。其依赖图像的局部块结构，以及可供学习通用变化的样本信息；摘要未说明字典训练数据来源、身份划分、优化目标与推理细节，这些条件尚未验证。 作者报告，在 AR、Extended Yale B、CMU-PIE 和 LFW 数据库的 SSPP 人脸识别实验中，LRSR 对类内变化具有鲁棒性，并优于所比较的当时先进方法。摘要未提供具体指标、数值、基线名称及各数据库评估划分，无法量化收益或跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，以局部稀疏表示结合共享变化字典，分离少样本 EEG 分类中的任务相关结构与干扰变化；这不代表原论文已验证 EEG 或 BCI 效果。可复用的是表示与字典学习思路，需将图像块改造为时空片段，并验证共享变化能否与任务信号区分。低信噪比、跨被试差异、通道布局变化及小数据可能使字典吸收判别信息或无法泛化。一个小规模检验是在固定低样本 EEG 分类划分中，对照局部稀疏表示与加入共享变化字典的版本，确保字典仅由训练数据学习，比较同一指标及重复划分下的稳定性。已有 EEG 相关工作尚未检索确认。