面向类别增量目标检测的任务感知语言—图像表征学习

该研究针对类别增量目标检测（CIOD）中的灾难性遗忘，提出任务感知语言—图像表征学习方法，利用文本线索辅助检测器在学习新任务时保留旧任务能力。基于摘要分析，主要研究对象是视觉目标检测，而非 EEG 或 BCI。 机制上，作者指出，以纯视觉骨干为基础的蒸馏与回放方法未充分利用文本表征。所提方法在训练阶段以隔离方式学习不同任务的语言—图像表征，在推理阶段使用任务特定表征产生的对齐分数。摘要未说明隔离作用于哪些参数、任务间如何共享知识、对齐分数如何整合，以及是否需要已知任务身份，这些实现条件尚未验证。 作者报告，在 COCO 2017 和 Pascal VOC 2007 的多种 CIOD 设置下，该方法取得当时最先进结果，并报告语言—图像检测器在缓解遗忘方面具有优势。摘要未提供具体指标、类别增量划分、对照配置或数值，因此不能据此量化收益，也不能判断收益主要来自文本监督、预训练能力还是任务隔离；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 持续学习参考的机制是任务表征隔离与跨模态对齐，而非目标检测结构本身。迁移假设依赖于可与 EEG 类别稳定对应的文本语义及足够的配对监督，需要将图像编码与检测模块改造为 EEG 编码和分类模块。低信噪比、跨被试差异、通道变化及小样本可能使对齐分数不稳定，且视觉类别语义优势未必适用于 EEG。一个可检验的小实验是在固定被试内类别增量协议及相同预训练、回放条件下，对比共享表征与任务隔离表征，并分别加入或移除文本对齐，观察旧类保持与新类学习表现。已有 EEG 相关工作尚未检索确认。