DISC：通过渐进式表征学习进行深度图像显著性计算

基于摘要分析。本文研究自然图像中的显著性目标检测，提出 Deep Image Saliency Computing（DISC）框架，以渐进式学习替代依赖对象与背景先验的繁重特征或模型工程，通过粗到细的图像表征生成显著性图；研究对象并非 EEG 或 BCI。 核心机制是串联两个 CNN：第一个以整幅图像为输入，在全局上下文中粗略定位显著区域，并融入基于超像素的局部上下文信息，细化粗级显著性图；第二个受粗级显著性图引导，利用局部上下文生成更精细的显著性图并保留目标细节。测试时，两个 CNN 协同完成一次显著性计算。摘要未提供具体网络层数、损失函数、训练流程或计算开销，不能据此推断实时性。 作者报告，在若干标准基准上的实验显示，DISC 优于所比较的当时先进方法，并能在无需额外训练的条件下跨数据集泛化。但摘要未列出数据集名称、指标、分数、划分和对照细节，因此效果幅度与比较条件尚未验证；实验协议、消融及统计信息也尚未验证。摘要称已提供可执行版本，但不能据此认定训练代码或权重已公开。 平台推测（待验证）：若将全局粗定位引导局部细化的机制用于 EEG 时空事件定位，可探索先在较长时间窗内定位候选事件，再细化局部时间范围；但原方法依赖图像空间结构与超像素，不能直接视为 EEG 方法。迁移需重定义时间—通道邻域及监督目标，且可能因低信噪比造成粗定位漏检，并将错误传递到细化阶段。一个可证伪的小实验是在固定标注、数据划分与训练预算下，对比单阶段定位和粗到细定位，检验细化是否改善边界定位且不增加漏检。已有 EEG 相关工作尚未检索确认。