PVLR：用于多标签图像识别的提示驱动视觉—语言表征学习

基于摘要分析。本文研究多标签图像识别，提出 Prompt-driven Visual-Linguistic Representation Learning（PVLR），通过双提示与视觉—文本双向交互，利用语言模态中的标签语义及标签间关系。其主要研究对象是自然图像，而非 EEG 解码或 BCI。 方法包含 Knowledge-Aware Prompting（KAP）和 Context-Aware Prompting（CAP）：KAP 使用固定提示提取标签的内在语义知识及标签间关系，CAP 使用可学习提示提取上下文相关的标签语义及关系；Interaction and Fusion Module（IFM）负责交互并融合两者的表征。针对既有方法将标签语义单向注入视觉特征的方式，作者引入 Dual-Modal Attention（DMA），使文本与视觉特征双向交互，生成上下文相关的标签表征和语义相关的视觉表征，再计算相似度以预测各标签。具体损失、骨干模型、提示构造和训练流程尚未验证。 作者报告，PVLR 在 MS-COCO、Pascal VOC 2007 和 NUS-WIDE 三个多标签图像数据集上的实验显示优于所比较方法；摘要未提供具体指标、分数、数据划分或基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制是固定标签知识、可学习上下文与信号特征的双向交互，前提是目标 EEG 任务具有可信的标签语义或标签关系，并有可用于对齐的信号—标签监督。若用于 EEG，需将视觉编码与视觉—文本对齐部分改造为 EEG 编码及信号—文本对齐；低信噪比、跨被试差异、通道变化和小数据可能使可学习提示过拟合，语言中的标签关系也未必对应可解码的神经活动。一个可检验的小实验是在固定 EEG 编码器和相同跨被试划分下，对比单向语义注入与双向交互，并分别移除固定提示和可学习提示，检验增益来源。该假设不构成已验证的 EEG/BCI 效果；相关 EEG 工作尚未检索确认。