面向语义分割的知识蒸馏：一种标签空间统一方法

基于摘要分析。研究针对语义分割数据集之间类别体系和标注政策不一致、难以联合利用数据的问题，提出兼具标签空间统一功能的知识蒸馏方法。主要研究对象是城市与越野自动驾驶场景的图像语义分割，而非 EEG 或 BCI。 核心流程是先在具有给定类别体系的源数据集上训练教师模型，再为额外数据生成伪标签；这些额外数据已有相关标签空间中的真值标注。通过将相关类别体系映射到源类别体系，方法构造教师预测伪标签时必须遵循的约束，再使用经真值约束修正的伪标签训练学生模型。其关键不是直接合并不同标注体系，而是利用已有标注限制伪标签预测范围。 作者报告，学生模型在城市与越野两个领域均持续优于教师模型，但摘要未给出具体指标、增益及对照协议。作者报告，修正后的伪标签分别覆盖城市领域的 12 个公共数据集、388.230 张图像，以及越野领域的 7 个公共数据集、18.558 张图像（图像数量保留原文记法）；并声称构成截至当时最大的自动驾驶复合数据集，该规模定位尚未独立核验。类别映射规则、模型结构、训练损失、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 数据集的任务标签存在可明确建立的上下位或兼容关系，这种“标签映射约束伪标签”的机制可能有助于跨数据集整合监督。可复用的是类别映射与预测约束模块，需改造的是信号模型及任务标签语义；EEG 的低信噪比、被试差异、通道配置差异和小数据条件可能放大教师错误，且语义不兼容的任务不能仅靠映射统一。一个可检验的小实验是在标签确实兼容的两个 EEG 数据集上，固定模型与数据划分，对比无约束和映射约束伪标签的正确率及学生模型表现。此处仅为迁移假设，已有 EEG 相关工作尚未检索确认。