用于人脸识别的多分辨率字典局部性约束协同表示

基于摘要分析。本文研究不同摄像头采集的人脸图像分辨率不一致时的识别问题，提出多分辨率字典局部性约束协同表示方法 LCCR-MRD，将多分辨率表示与样本局部关系结合，避免额外的字典学习过程。 方法将传统 collaborative representation based classification（CRC）扩展至多分辨率字典情形，并根据测试样本与训练样本之间的距离，为表示系数引入权重，使相似训练样本对表示作出更大贡献。作者指出，该方法具有闭式解。其与摘要所述 multi-resolution dictionary learning（MRDL）的主要区别，是不通过字典学习获得字典，同时考虑样本间的局部关系；具体字典构造、距离定义、权重公式及求解开销尚未验证。 作者报告，在五个人脸数据库上的实验中，LCCR-MRD 优于多种先进稀疏学习方法。摘要未提供数据库名称、训练与测试划分、分辨率设置、具体指标及数值，因此尚不能判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。摘要提供了公开 Matlab 实现链接，但代码内容、运行依赖和结果复现情况尚未核验。 平台推测（待验证）：可迁移的假设是，在基于训练样本字典的 EEG 分类中，多尺度特征与局部性加权可能有助于处理样本异质性；这依赖于可比较的特征空间、带类别信息的训练字典，以及能反映任务相关相似性的距离。可复用部分是协同表示与加权求解，需改造部分是 EEG 特征、多尺度定义及距离度量。低信噪比、跨被试或通道差异可能使距离偏向噪声与个体特征，小数据也可能不足以覆盖局部邻域。可在固定被试内划分下，对比单尺度 CRC、多尺度 CRC 与加入局部性权重的版本，检验分类表现和运行时间；不得据人脸结果预设改善。已有 EEG 相关工作尚未检索确认。