缓解遥感图像类别增量语义分割中的表示偏差

基于摘要分析。本文研究遥感图像的类别增量语义分割，提出 MiR（mitigating representation bias），通过 feature-SegToken 交互与损失自适应加权，缓解学习新类别时对旧类别的遗忘。主要研究对象是遥感图像分割，并非 EEG 或 BCI。 作者将现有知识蒸馏方法的局限归结为两方面：交叉熵损失与蒸馏损失之间的冲突可能造成表示偏差；多次增量学习后，增量步骤间的不平衡与相似性问题更加突出。MiR 用 feature-SegToken 交互替代传统的特征—分类器模式，通过隐式由粗到细的分割缓解表示偏差，并以加权策略自适应调整交叉熵与蒸馏损失。SegToken 的具体构造、交互实现、权重计算及训练流程尚未验证。 作者报告，在 DeepGlobe、Potsdam 和 Vaihingen 上的实验表明，MiR 能兼顾新知识学习与旧知识保留。摘要未提供具体指标、类别增量顺序、数据划分、对照方法或性能数值；实验协议、消融及统计信息尚未验证，因此目前无法判断各模块的独立贡献及收益随增量步骤变化的情况。 平台推测（待验证）：可迁移的假设是，对新类别监督与旧类别蒸馏进行自适应平衡，可能有助于 EEG 类增量学习；这不等于原有分割机制能直接适用。原方法依赖图像像素级分割与类别增量监督，EEG 应用需重新设计时序特征与类别 token 的交互，不能直接照搬由粗到细分割。低信噪比、跨被试差异、通道变化与小样本可能使损失权重不稳定。可先在固定被试、固定通道的 EEG 类别增量协议下，以相同编码器和类别顺序比较固定权重蒸馏与自适应加权，分别评估旧类保留和新类学习，再决定是否引入 token 交互。相关 EEG 工作尚未检索确认。