MGMapNet：用于端到端矢量化高精地图构建的多粒度表征学习

基于摘要分析。本文研究矢量化高精地图构建，需要同时识别地图元素的类别与几何形状，并非 EEG 或 BCI 研究。作者提出 MGMapNet，将粗粒度实例级查询与细粒度点级查询结合，以建模地图元素整体与组成点之间的关联。 其核心机制包括多粒度聚合器和点—实例交互模块：前者从多尺度鸟瞰图特征生成两种粒度的查询，实例级查询聚合整个实例覆盖范围内的特征，点级查询聚合局部特征；后者促进两类查询之间的信息交换。相较于摘要所述仅采用点级或实例级表征的方法，其设计重点是联合利用整体语义与局部几何信息。具体网络结构、损失形式及训练流程尚未验证。 作者报告，在 nuScenes 和 Argoverse2 的矢量化高精地图构建评估中，MGMapNet 相对 MapTRv2 的 mAP 分别提高 5.3 和 4.4；摘要未说明 mAP 的数值标度、数据划分及具体评估配置，不能据此比较跨数据集的绝对表现。作者称其达到最先进性能，相关实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，局部与整体表征的双向交互可能帮助 EEG 同时利用短时局部特征与较长时间范围的上下文。但原方法依赖鸟瞰图空间特征及地图实例—点的结构关系，这种对应关系不能直接套用于 EEG。可考虑保留双粒度聚合与交互机制，将输入及查询改造为 EEG 局部时间窗与试次级表征；低信噪比、跨被试差异、通道配置变化和小数据可能使整体聚合放大伪迹或导致过拟合。一个可证伪的小实验是在固定被试内划分、匹配模型容量的前提下，对比单粒度模型、双粒度但无交互模型及带交互模型，检验收益是否来自粒度交互。已有 EEG 相关工作尚未检索确认。