基于约束稀疏表示的视频人脸聚类

基于摘要分析。本文研究视频中的人脸身份聚类，提出 Video Face Clustering via Constrained Sparse Representation（CS-VFC），利用视频自带的身份关系约束辅助聚类，而非仅对独立人脸图像进行聚类。 核心机制是将同一人脸轨迹中的人脸视为同一身份，形成 must-link 约束；将同一视频帧中的不同人脸视为不同身份，形成 cannot-link 约束。CS-VFC 在稀疏表示和谱聚类两个阶段使用这些约束。摘要未交代约束的数学形式、稀疏表示目标函数，以及两个阶段如何具体结合约束。 作者报告，在真实世界视频上的实验中，该方法相较所比较的当时先进方法有所改善。摘要未提供数据集名称、视频规模、评估指标、具体数值及对照方法，因此尚不能判断改进幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是把可靠的成对关系引入表示学习与聚类，以缓解 EEG 无监督聚类中的结构歧义，而不是直接复用人脸身份假设。可考虑复用约束注入框架，但需改造 EEG 特征表示和约束生成规则；同一被试或相邻时间窗并不必然对应同一脑状态，不同被试也可能共享任务状态。低信噪比、跨被试差异、通道变化及小样本下的错误约束可能放大聚类偏差。一个可证伪的小实验是在固定 EEG 特征与数据划分下，对照无约束、仅单阶段加约束及双阶段加约束，并逐步增加约束噪声，检验收益是否稳定；若使用任务标签构造约束，须与独立评估标签隔离。已有 EEG 相关工作尚未检索确认。