LGRL：面向即时细粒度草图图像检索的局部—全局表征学习

基于摘要分析。该研究针对 On-the-fly Fine-grained sketch-based image retrieval（On-the-fly FG-SBIR，即在草图绘制过程中进行细粒度图像检索）：早期草图笔画较少、局部信息有限，且不同用户的绘制过程差异较大，导致早期检索困难。作者提出 LGRL，通过联合学习部分草图及目标照片的局部与全局表征，支持尚未完成绘制时的图像检索。 方法上，作者首先设计 triplet network，在完整草图的局部与全局区域及照片对应区域之间学习共享嵌入空间；随后将绘制过程中的部分草图划分为若干局部区域，利用接在 triplet network 之后的另一可学习模块提取这些区域的表征；最终结合草图与照片的局部、全局信息确定检索距离。摘要未给出区域划分规则、模块结构、具体损失形式及距离融合方式，这些实现细节尚未验证。 作者报告，在两个公开草图检索数据集及实践测试中，LGRL 的早期检索效率优于所比较的当时先进基线。摘要未提供数据集名称、划分、用户设置、评价指标定义、具体数值或基线名单，因此不能量化改进，也不能据此确认跨用户泛化效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，将局部证据与全局上下文结合，可能有助于处理部分观测下的 EEG 表征问题，但原方法依赖草图—照片对应关系及可划分的视觉区域，不等于已有 BCI 有效性证据。若探索 EEG 应用，可复用共享嵌入与距离融合思路，但需重新定义时间窗或通道区域及监督配对；低信噪比、跨被试差异、通道不一致和小样本可能使局部表征不稳定。一个可证伪的小实验是在固定被试内划分与相同可观测时长下，对比全局表征和局部—全局融合在截短 EEG 输入上的表现，并仅用训练集确定区域及融合设置。相关 EEG 工作尚未检索确认。