面向多域高光谱图像分类的通用表征学习

基于摘要分析。本文研究多域高光谱图像（HSI）分类中各域通常需要独立训练和部署模型的问题，提出一个同时从多个高光谱遥感数据域学习通用表征的 CNN，以整合跨域共性知识并处理域偏移。 核心机制是共享网络的大部分参数，同时为不同域分配少量域专属参数，使单一网络能够适应不同 HSI 数据集；作者还提出两步训练策略以利用通用网络的容量。摘要未披露域专属参数的位置与形式、两步训练的具体流程或损失函数，相关实现尚未验证。 作者报告，在七个 HSI 数据集上的实验中，该通用网络优于多个分别训练的专用单域网络。摘要未给出数据集名称、划分、指标、性能差异及参数规模，也无法确认评估是否涉及未见域。因此，多域联合学习的结果不能直接视为对未知域的域泛化证据；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 数据集能够对齐输入结构与任务标签，共享参数与域专属参数的组合可能用于缓解跨被试或跨会话差异，并减少逐域维护独立模型的需求。这一假设对应的是多域联合建模，而非已经验证的 EEG 域泛化。可复用的是参数共享思路；需改造 HSI 的光谱—空间输入处理，使其适配 EEG 的时间—通道结构，并明确域的定义与域参数选择方式。低信噪比、通道不一致、标签语义差异和单域小样本都可能导致负迁移或域专属参数过拟合。 一个可检验的小实验是在同一 EEG 任务、统一通道条件下，以被试或会话定义域，固定各域训练与测试划分，对比独立单域模型、完全共享模型及共享加域专属参数模型；另行划分未见域测试，避免将已见域收益与域泛化混同。已有相关 EEG 工作尚未检索确认。