基于原型对比学习的双域表征建模：面向跨域少样本场景分类

基于摘要分析。本文研究遥感（RS）跨域少样本场景分类（CDFSSC），提出结合双域高斯表征建模与伪原型对比学习的 DMPC，旨在缓解源域与目标域之间的表征差异，并增强有限无标签目标域数据的特征判别性。其训练利用有标签源域数据与无标签目标域数据，最后在目标域少样本任务上微调分类器。 机制上，双域高斯表征（DDGR）将两域数据的特征统计建模为多元高斯分布，而非固定值，并通过随机采样新的特征统计丰富域表征。作者认为，这有助于在特征层面缩小域差异，增强模型应对目标域不可预测变化的鲁棒性。伪原型对比学习（PPCL）则从分类器权重提取伪原型作为动态锚点，聚合同一伪类别特征、分离不同伪类别特征，以提高目标域表征的可区分性。摘要未给出具体损失形式、统计建模粒度或伪类别生成细节。 作者报告，DMPC 在 12 个遥感跨域场景中取得良好表现，但摘要未提供数据集名称、少样本任务设置、划分、指标数值或对照基线，因此尚不能判断提升幅度及各模块的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可形成一个面向 EEG 跨被试少样本分类的迁移假设，即以特征统计扰动缓解被试间分布变化，再用伪原型约束无标签目标被试表征。可复用的是统计采样与原型对比思路；需改造 EEG 编码器、统计计算维度及通道对齐方式，并明确目标被试无标签数据的可用范围。低信噪比可能使伪类别误差被强化，小数据可能导致高斯统计估计不稳，通道差异也未必能由特征统计变化充分描述。可先在固定跨被试划分与目标域标注预算下，对比基线、仅 DDGR、仅 PPCL 及两者组合，检验收益是否稳定；这不是原论文已验证的 EEG 结果，相关 EEG 工作尚未检索确认。