用于红外小目标检测的带先验时空张量表示学习

基于摘要分析。本文研究低质量图像、目标特征稀少及复杂背景纹理条件下的红外小目标检测，提出基于 local binary contrast measure 的低秩与稀疏时空张量表示学习模型 STRL-LBCM，将检测转化为背景、目标与噪声成分的表示及分解优化问题；研究对象并非 EEG 或 BCI。 方法首先将原始红外序列构造成时空张量，通过改进 GoDec plus 获得稀疏成分与背景字典。在表示学习阶段，作者提出 fully connected tensor nuclear norm（FCTNN），作为低秩系数的秩替代约束以估计背景；再利用稀疏成分构建 local binary contrast measure 显著性先验，引导目标检测。模型还结合 Frobenius 范数与三维加权全变分正则化，以保留背景细节并去除噪声，随后通过作者设计的求解框架进行优化。具体目标函数、各项作用位置及求解细节尚未验证。 作者报告，在与 16 种目标检测方法的比较中，STRL-LBCM 的目标可检测性（TD）、背景抑制能力（BS）及整体表现更优。摘要未提供数据集、序列规模、划分协议、指标数值或运行成本，不能据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是以低秩成分描述共享结构、以稀疏成分描述局部异常，用于探索 EEG 瞬态伪迹分离，而非直接作为 BCI 解码器。可复用张量分解与正则化思路，但需重新定义通道—时间—试次结构，并改造依赖图像邻域的对比度先验。低信噪比、通道布局差异及小样本可能使低秩背景估计不稳定；真实神经活动也可能被误当作稀疏异常。一个小规模可证伪实验是在固定被试内划分的 EEG 中注入已知瞬态伪迹，对比加入与移除该先验时的伪迹重建误差及 ERP 波形失真，以检验是否在去噪同时损伤神经信号。已有 EEG 相关工作尚未检索确认。