用于高光谱图像（HSI）聚类的判别性低秩表示

基于摘要分析。本文研究无监督高光谱图像（HSI）聚类，提出利用空间与光谱信息学习判别性低秩表示，再以 K-means 等简单聚类方法完成分组。主要研究对象是 HSI，而非 EEG 或 BCI。 技术机制上，作者将表示学习表述为凹凸优化问题，使用交替方向乘子法（ADMM）求解。相较于作者所描述的、主要关注聚类技术的既有方法，本文强调先获得更具判别性的表示，再进行聚类。摘要未给出低秩约束、判别性目标及空间—光谱信息融合的具体形式，其监督依赖仅明确为不使用监督信息。 作者报告，在四个基准数据集上的 HSI 聚类实验中，该方法优于所比较的先进 HSI 聚类方法；但摘要未提供数据集名称、评价指标、数值、对照配置或数据划分，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要声明代码可用，但代码内容、运行条件及其与论文实验的一致性尚未核验。 平台推测（待验证）：可考察的迁移假设是，低秩表示有助于提取 EEG 多通道特征中的共享结构，用于无标签试次聚类。可复用的是低秩表示学习与后续聚类的总体框架；HSI 的空间—光谱结构不能直接等同于 EEG 的通道—时间或时频结构，需要重新定义邻域及特征组织。低信噪比可能使伪迹占据主要低秩成分，跨被试差异、通道布局变化和小样本也可能破坏表示稳定性。待取得具体目标函数后，可在固定被试内划分下，对比原始 EEG 特征加 K-means 与低秩表示加 K-means，训练不使用类别标签，仅在评估时检查聚类与任务标签的一致性；若改造涉及通道邻域，可增加打乱邻域的对照以检验结构信息的贡献。相关 EEG 工作尚未检索确认。