使用张量表示的图像分类

基于摘要分析。本文研究图像分类中不同尺度特征的判别能力如何被同时利用，提出修改 Bag-of-words 表示，并以扩展自 Probabilistic Latent Semantic Analysis（pLSA）的 tensor-pLSA 进行分类。主要研究对象是图像，而非 EEG 或 BCI。 方法将单幅图像表示为矩阵，元素记录一组码字在不同尺度范围内的出现次数，从而将图像集合组织为三阶张量。其关键是将尺度范围作为显式维度保留，而不是仅以原始矩阵表示图像集合；tensor-pLSA 则基于该张量进行分类。摘要未说明潜变量设置、具体目标函数、参数估计及分类决策流程。 作者报告通过与原始矩阵表示比较来展示方法有效性，但摘要未提供数据集、划分、评价指标或数值，因此无法判断收益幅度及适用条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将 EEG 局部片段编码为码字，并按时间尺度或频带统计出现次数，可能保留汇总表示丢失的尺度差异。可复用的是分尺度计数和张量潜语义建模思路；需改造的是 EEG 特征提取、码字构建及尺度定义。低信噪比、跨被试分布变化和小样本下的稀疏计数可能使潜在结构不稳定，通道差异也可能干扰尺度信息。一个小规模可证伪实验是在固定 EEG 数据划分、相同特征与码本条件下，对比分尺度张量与合并尺度矩阵的分类表现；码本仅由训练集构建，以检验显式尺度维度是否带来收益。相关 EEG 工作尚未检索确认。