用于高光谱波段选择的张量化全局—局部图自表示

基于摘要分析。本文研究高光谱图像（HSI）的波段选择，目标是从原始光谱波段中选出具有代表性的子集，以降低数据冗余。作者提出 Tensorial Global-Local Graph Self-Representation（TGSR），联合建模全局与局部结构，并通过低秩张量约束探索波段间的高阶相关性。 方法首先将 HSI 分割为多个超像素，用于表征光谱—空间结构；随后基于超像素学习全局图与局部图，分别利用全局像素和局部区域的结构信息。作者还设计了用于全局图与像素光谱矩阵图卷积的变换，以减轻计算负担，但摘要未给出其具体形式。模型以自加权方式学习波段相关性，将自表示系数矩阵重组为张量并施加低秩约束，使用交替优化算法求解。最终对构建的亲和矩阵进行谱聚类，并从各波段子集中选择代表性波段。 作者报告，在 HSI 数据集上的实验显示该方法优于所比较的先进方法；摘要未提供数据集名称、划分协议、对照方法及指标数值，不能据此量化提升。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但代码完整性、运行环境与复现结果尚未核验。 平台推测（待验证）：该机制可形成一个 EEG 选择问题的假设——若通道或频带之间存在可稳定估计的全局、局部及高阶冗余结构，图自表示与低秩张量约束可能有助于选择信息互补的子集。可复用的是相关性建模和聚类选择思路；HSI 超像素及光谱—空间图构建则需改造成适合 EEG 电极拓扑或频谱结构的定义。低信噪比、小样本和跨被试差异可能导致图结构不稳定，低秩约束也可能压制任务相关的弱信号。可先在固定 EEG 任务与固定划分下，仅用训练集构图及选择通道，对比等数量通道下的全局图、局部图和联合模型，并检验去除张量约束后的差异。已有 EEG 相关工作尚未检索确认。