用于高光谱图像分类的全局与局部表征净化对比学习

基于摘要分析。本文研究高光谱图像（HSI）分类，提出 purified contrastive learning（PCL）框架，针对滑动窗口采样产生的高相似负样本对，以及局部特征提取难以覆盖远距离空间与光谱依赖的问题，结合空间—光谱表征编码器与基于超像素空间先验的净化对比损失，利用未标注样本学习表征。 核心机制包括两部分：一是结合 CNN 与 Transformer，分别捕获局部特征和全局依赖；二是通过超像素空间先验净化对比学习，缓解相似样本被作为负样本对带来的干扰。摘要未说明净化过程具体采用剔除、重加权还是其他形式，损失公式、先验生成方式及监督需求均尚未验证。 作者报告，在三个公开 HSI 数据集的分类实验中，PCL 优于所比较的先进方法；摘要未提供数据集名称、划分协议、指标数值和基线细节，因此不能量化其优势。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：该方法与 EEG 的潜在对应点是，相邻时间窗可能高度相似，若直接互作负样本，可能干扰对比表征学习。可借鉴的是负样本关系净化思路，而非直接照搬 HSI 超像素先验；需用适合 EEG 的时间或通道关系重新定义先验，并核对是否依赖标签。低信噪比、伪迹、跨被试差异及小数据可能使相似性判断失真。一个可证伪的小实验是，在固定编码器、增强方式及按试次隔离的数据划分下，对比普通对比损失与基于时间邻近关系的负样本净化，检查其对下游分类的影响，并区分重叠与非重叠窗口条件。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。