基于布朗协方差表征的深度度量学习用于少样本高光谱图像分类

基于摘要分析。本文研究少样本高光谱图像分类（HSIC），提出 DML-BDC，通过 Brownian distance covariance 表征融合空间与光谱信息，并以基于 Gaussian kernel distance 的度量损失学习支持样本间的非线性关系。 作者认为，现有方法使用线性距离时难以刻画少量样本之间的细微差异，而直接叠加空间与光谱特征也不足以建模两者的内在联系。为此，DML-BDC 设计了双通道特征提取网络，采用两个不同的特征提取器获取互补信息，再利用 Brownian covariance 表征进行建模与融合；度量损失则用于捕捉复杂非线性结构。摘要未给出特征提取器结构、协方差表征的具体计算方式、损失公式或训练与推理流程。 作者报告，在三个基准数据集的实验中，DML-BDC 相比现有主流方法在分类准确率、泛化能力和模型复杂度方面具有优势。摘要未提供数据集名称、支持集与查询集划分、每类样本数量、对照方法及具体指标，因此尚不能判断优势幅度及其适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移机制是利用协方差表征融合互补特征，并通过核距离学习少样本间的非线性差异，而非高光谱分类结果本身证明了 BCI 有效性。若用于 EEG，需要将图像空间—光谱输入改造为适合电极空间与时间或频率结构的特征，并依赖有标签支持样本开展度量学习。可考虑复用表征融合与度量模块，但 EEG 低信噪比、少样本协方差估计不稳定、跨被试分布变化及通道差异均可能使其失效。一个可证伪的小实验是在固定编码器及相同 Cross-subject 划分下，对比直接特征拼接与 Brownian covariance 融合，并分别替换线性距离和核距离，检验增益是否稳定。相关 EEG 工作尚未检索确认。