用于高光谱图像分类的自适应掩码采样与基于距离协方差表征的流形到欧氏子空间学习

基于摘要分析。本文研究高光谱图像分类（HSIC），针对图像块内邻近像素与中心像素地物类别不一致，以及光谱波段间线性、非线性依赖难以充分表征的问题，提出 AMS-M2ESL 框架。其贡献是将自适应图像块内采样、距离协方差表征和尊重 SPD 流形黎曼几何的子空间学习结合起来，而非直接研究 EEG 或 BCI。 机制上，AMIPS 模块依据以中心光谱向量为导向的空间关系进行自适应掩码采样；DC-DCR 模块利用距离协方差描述符建立双通道光谱—空间表征，探索波段间的线性与非线性相互依赖。作者将距离协方差矩阵视为位于对称正定（SPD）流形上的对象，再通过 M2ESL 学习高层特征，并引入近似矩阵平方根（ASQRT）层以提高欧氏子空间投影效率。具体双通道结构、损失函数、矩阵正定性保障及近似计算细节尚未验证。 作者报告，在三个常用 HSI 数据集的有限训练样本设置下，方法优于所比较的先进方法。摘要未给出数据集名称、训练与测试划分、评价指标、具体数值及基线配置，实验协议、消融及统计信息尚未验证。摘要提供了源代码地址，但实现完整性与复现条件尚未核验。 平台推测（待验证）：可检验的迁移假设是，距离协方差与 SPD 几何处理可能用于 EEG 通道间非线性依赖表征。原方法依赖具有中心像素和邻域结构的光谱—空间图像块，其输入结构不能直接等同于 EEG。可优先考察 DC-DCR 与 M2ESL，重新定义时间窗、通道关系及正定化处理，而非直接照搬 AMIPS。低信噪比、短时间窗、小样本和跨被试通道关系变化可能使依赖估计不稳定。小规模验证可在同一 EEG 数据集、固定跨被试划分及相同分类器下，对比普通协方差与距离协方差表征，并检查矩阵条件数及分类结果的稳定性。相关 EEG 工作尚未检索确认。