缓解卫星影像对比表征学习中的城乡差异

基于摘要分析。研究针对卫星影像中景观异质性导致的城乡土地覆盖特征识别性能差异，提出 fair dense representation with contrastive learning（FairDCL），通过自监督对比预训练对卷积神经网络的多层潜在空间进行去偏，改善下游语义分割的城乡表现差异。 其核心思路是移除在城市与农村地区分布不均的伪相关潜在表示，而非仅优化整体预测表现。摘要称该过程以无监督对比预训练实现，但未给出具体损失、正负样本构造、城乡信息的使用方式及多层表示约束细节，尚不能据此判断去偏机制的实现条件。 作者报告，在真实卫星影像的下游评估中，预训练表示减轻了城乡预测差异，并优于其比较的先进基线；作者还报告嵌入空间评估与消融研究支持方法的鲁棒性。摘要未提供数据集名称、划分协议、具体指标或数值，实验协议、消融及统计信息尚未验证。其明确的评估启示是：地理影像应用不能只关注平均 Accuracy，还应检查不同地域群体的表现差异。 平台推测（待验证）：可迁移的机制假设是，对比预训练中的潜在表示去偏可能帮助处理 EEG 中与被试或采集条件相关、但与任务无关的伪相关信息；这并非已验证的 BCI 效果。迁移需将图像编码与增强方式改造为适配 EEG 时序及通道结构的模块，并核实是否依赖群体标识。低信噪比、小样本及个体差异可能使去偏误删任务相关信号。一个可证伪的小实验是在固定 Cross-subject 划分下，比较相同 EEG 编码器的普通对比预训练与去偏版本，同时检查总体及逐被试表现，检验差异缩小是否伴随整体性能损失。相关 EEG 工作尚未检索确认。