BEV-TSR：面向自动驾驶的 BEV 空间文本—场景检索

基于摘要分析。本文研究自动驾驶数据中的复杂场景检索，提出 BEV-TSR，以描述性文本检索鸟瞰图（Bird’s Eye View，BEV）空间中的对应场景，并基于 nuScenes 构建多层级检索数据集 nuScenes-Retrieval。研究对象是驾驶场景与语言的跨模态检索，并非 EEG 或 BCI 解码。 方法针对既有图像检索方法全局特征表征不足、复杂驾驶场景文本检索能力受限的问题，使用 LLM 提取文本语义特征，并引入知识图谱嵌入丰富语言表征。其 Shared Cross-modal Embedding 使用一组共享可学习嵌入连接 BEV 特征与语言嵌入，另以描述生成任务增强模态对齐。摘要未给出具体 LLM、知识图谱来源、BEV 编码器、损失形式或训练规模，这些实现条件尚未验证。 作者报告，在多层级 nuScenes-Retrieval 上，BEV-TSR 达到其所称的最先进性能：原文标为“scene-to-test”和“text-to-scene”的检索方向，top-1 Accuracy 分别为 85.78% 和 87.66%。其中“scene-to-test”可能存在拼写问题，但不能据摘要直接确认为 scene-to-text；数据划分、候选检索库规模、对照方法、消融及统计信息尚未验证，因此这些数值不能脱离该检索协议比较。 平台推测（待验证）：共享嵌入与辅助描述生成可作为神经信号—文本对齐的候选机制，但这只是跨领域假设。迁移需将 BEV 编码器替换为 EEG 编码器，并获得具有可靠语义对应关系的 EEG—文本配对数据；驾驶场景知识图谱不能直接视为适用。低信噪比、跨被试差异、通道变化和小样本可能使对齐退化为文本先验匹配。一个可证伪的小实验是在同一 EEG—文本数据及固定跨被试划分下，对比基础对齐模型、加入共享嵌入及再加入描述生成任务后的检索表现，检查增益是否来自神经信号信息。已有 EEG 相关工作尚未检索确认。