结合空间金字塔图像块的局部性约束表示分类

基于摘要分析。本文研究遮挡及训练样本不足条件下的人脸识别，提出局部性约束表示分类（LCRC），同时利用空间特征与训练样本的局部性信息，以局部图像块表示及融合替代整幅人脸表示。 方法在空间金字塔局部图像块上进行线性表示，并通过基于 Bayesian 的融合方法汇总局部信息。表示系数的局部性约束产生近似稀疏表示；不同于采用 ℓ1 范数约束的稀疏表示分类（SRC），LCRC 使用 ℓ2 范数形式，作者称其计算更高效。此外，方法定义局部性集中指数（LCI）衡量各局部块的可靠性，用于剔除严重损坏及判别性较弱的图像块。具体目标函数、局部性计算方式、筛选阈值及融合细节尚未验证。 作者报告，基于该表示构建的三种算法，在 AR 和 Extended Yale B 数据集的遮挡及每人单样本（SSPP）人脸识别问题上优于当时的先进方法。摘要未提供具体分数、数据划分和对照配置，不能据此量化提升或判断不同协议下的优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“局部表示—可靠性筛选—融合”机制可作为 EEG 局部污染处理的研究假设，但原方法依赖人脸图像的空间局部结构和有标签训练样本，不等同于 EEG 解码。可考虑复用表示与融合思路，将图像块改为通道组或时间窗，并重新定义样本距离与可靠性指标。风险在于 EEG 低信噪比、通道相关性及跨被试差异可能使 LCI 将有效但微弱的信号误判为不可靠。一个可证伪的小实验是固定被试内划分与训练样本量，对局部通道或时间窗注入受控噪声，比较有无可靠性筛选时的分类表现，检验筛选是否确有收益。已有 EEG 相关工作尚未检索确认。