关注边缘非裂缝区域：用于裂缝分割的聚类启发表征学习

基于摘要分析。本文研究图像裂缝分割中低对比度、异质纹理导致的边缘非裂缝区域标签歧义，提出两阶段聚类启发表征学习框架，以定位模糊区域并学习其判别特征；研究对象并非 EEG 或 BCI。 第一阶段通过预处理定位边缘非裂缝区域，再使用 ambiguity-aware segmentation loss（Aseg Loss）学习分割方差，以捕捉歧义并进一步定位模糊区域。第二阶段引入 clustering-inspired loss（CI Loss），将这些区域的监督学习转为无监督聚类方式。其核心思路是在局部标签难以明确时调整学习方式，而不是将全部区域都作为确定标签处理；具体损失公式、聚类对象及两阶段衔接方式尚未验证。 作者报告，该方法在多个裂缝分割数据集及其构建的 CrackSeg5k 上优于现有裂缝分割模型。摘要未提供具体指标、分数、数据划分与对照模型，实验协议、消融及统计信息尚未验证，不能据此判断提升幅度或跨数据集泛化能力。 平台推测（待验证）：若 EEG 时间片段标注存在可定位的边界歧义，可假设借鉴“歧义定位后对局部表征聚类”的思路；这依赖片段表征具有与任务相关的可聚类结构，而原方法依赖图像空间区域及裂缝分割监督。可复用的是歧义感知学习与局部聚类策略，需改造的是图像区域定位、方差估计及聚类单元。低信噪比、跨被试与通道差异可能使聚类主要反映噪声或个体特征，小数据也可能使方差估计不稳定。一个可检验的小实验是在固定被试内划分中，仅对预先定义的模糊时间片段引入该策略，与相同骨干的监督基线比较，并检查聚类是否对应任务类别。已有 EEG 相关工作尚未检索确认。