LIPS-PC
一种用于单像素成像分类的端到端学习框架，将测量算子参数化为对2D-DCT基的残差修正，并与紧凑分类器联合训练，无需图像重建即可实现高效分类。
时间轴 (近 90 天)
LIPS-PC（Learning Illumination Patterns for Single-Pixel Classification）是一种直接学习用于分类的照明模式的单像素成像方法，无需先重建图像再分类。
LIPS-PC将测量算子参数化为对2D-DCT基矩阵的残差修正，即 D = D_base + Δ，其中 Δ 与一个紧凑分类器通过交叉熵损失联合端到端训练。
LIPS-PC在MNIST、Fashion-MNIST和RIAWELC数据集上，在测量预算 M ∈ {8,16,32,64,128} 下进行了评估。
在M=8时，LIPS-PC学习到的算子在所有三个数据集上均比最佳固定变换（如2D-DCT）高出9-15个百分点。
LIPS-PC仅用8次测量达到的准确率，最佳固定变换需要约16-32次测量才能达到，即在相近准确率下实现了2倍到4倍的测量节省。
随着测量预算M增大，LIPS-PC相对于固定变换的优势逐渐缩小，在RIAWELC高预算时甚至出现小幅反转。
LIPS-PC在工业X射线焊缝缺陷筛查中验证了其现实价值，通过直接以分类为目标显著降低了测量次数，从而减少采集时间和辐射剂量。
LIPS-PC方法存在局限：高预算下优势减弱甚至反转，可能因学习到的模式过度适应低测量条件；实验仅涉及线性测量和简单分类器。
LIPS-PC的参数化策略中，DCT基提供信息丰富的初始化起点，残差项Δ只需学习任务相关的微小调整，从而加速收敛并提升低预算下的性能；若从随机矩阵或零矩阵出发学习，优化难度会显著增加。
全部知识事实 (9)
LIPS-PC（Learning Illumination Patterns for Single-Pixel Classification）是一种直接学习用于分类的照明模式的单像素成像方法，无需先重建图像再分类。
50%待验证LIPS-PC将测量算子参数化为对2D-DCT基矩阵的残差修正，即 D = D_base + Δ，其中 Δ 与一个紧凑分类器通过交叉熵损失联合端到端训练。
50%待验证LIPS-PC在MNIST、Fashion-MNIST和RIAWELC数据集上，在测量预算 M ∈ {8,16,32,64,128} 下进行了评估。
50%待验证在M=8时，LIPS-PC学习到的算子在所有三个数据集上均比最佳固定变换（如2D-DCT）高出9-15个百分点。
50%待验证LIPS-PC仅用8次测量达到的准确率，最佳固定变换需要约16-32次测量才能达到，即在相近准确率下实现了2倍到4倍的测量节省。
50%待验证随着测量预算M增大，LIPS-PC相对于固定变换的优势逐渐缩小，在RIAWELC高预算时甚至出现小幅反转。
50%待验证LIPS-PC在工业X射线焊缝缺陷筛查中验证了其现实价值，通过直接以分类为目标显著降低了测量次数，从而减少采集时间和辐射剂量。
50%待验证LIPS-PC方法存在局限：高预算下优势减弱甚至反转，可能因学习到的模式过度适应低测量条件；实验仅涉及线性测量和简单分类器。
50%待验证LIPS-PC的参数化策略中，DCT基提供信息丰富的初始化起点，残差项Δ只需学习任务相关的微小调整，从而加速收敛并提升低预算下的性能；若从随机矩阵或零矩阵出发学习，优化难度会显著增加。
50%