通过 Wasserstein 空间中的学习表征进行高光谱图像聚类

基于摘要分析。本文研究高光谱图像（HSI）在标注昂贵、数据含噪且维度较高时的无监督聚类，提出在 Wasserstein 空间中进行正则化字典学习，以构造用于图像分割的表征。主要研究对象是高光谱图像，而非 EEG 或 BCI。 方法将 HSI 像素建模为概率分布：若不同像素能够由同一组学习得到的参考分布通过熵正则化 Wasserstein 重心合成，则将其视为相似。研究据此学习表征，并由 barycentric coding spectral clustering 算法利用这些特征进行聚类。其关键思路是让编码反映光谱分布空间的几何关系，而不只是直接比较原始高维光谱向量。 作者报告，该方法在基准 HSI 数据上显示出应用潜力；摘要未提供具体数据集、评价指标、对照方法或量化结果，因此尚不能判断相对收益与计算效率。像素分布的构造和归一化方式、正则化目标、优化过程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 片段能够被合理表示为频率轴上的归一化功率分布，这类分布几何编码可能用于探索频谱相似性，针对原始特征距离难以表达谱形差异的问题。可考虑复用参考分布学习与重心编码，但需重新定义 EEG 的分布表示和通道处理方式；归一化可能丢失幅值信息，低信噪比、跨被试差异及小数据也可能使参考分布不稳定。一个可证伪的小实验是在固定的被试内数据划分下，比较该编码与原始归一化功率谱的聚类结果，并保持相同聚类后端及调参预算。这仅是迁移假设，已有 EEG 相关工作尚未检索确认。