HyperISTD：用于红外小目标检测的双曲空间角度一致性层次建模

基于摘要分析。本文研究红外小目标检测（ISTD）中低亮度、低对比度和复杂背景导致的漏检问题，提出 HyperISTD，以双曲空间层次表示和角度一致性约束改善目标特征表达与优化。其主要研究对象是红外图像中的小目标，而非 EEG 或 BCI。 作者将瓶颈归纳为两方面：一是模型复杂度与 IoU 损失的严格空间对齐要求之间的冲突，简单模型难以捕获目标细节，复杂模型则可能降低收敛效率；二是欧氏空间中的小目标特征容易被背景噪声淹没。HyperISTD 包含 Hyperbolic Enhanced Network，通过动态聚合角度信息学习双曲层次结构；以及 Hyperbolic Loss Function，结合角度距离与几何一致性约束，将优化重点从像素级对齐转向层次—角度关系。具体映射方式、曲率设置、损失公式及训练流程尚未验证。 作者报告，在 SIRST-v1、IRSTD-1K 和 SIRST-UAVB 上，HyperISTD 优于所比较的 SOTA 方法，并报告向现有方法加入双曲模块或替换 IoU 损失可以改善性能。摘要未提供指标数值、数据划分、具体基线与改进幅度，因此无法量化收益或判断跨协议可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，若 EEG 特征存在可学习的层次关系，双曲表示可能帮助区分弱任务信号与背景活动；原方法依赖图像空间结构及目标定位监督，不能直接等同于 EEG 分类。可考虑复用双曲表征模块，但需改造输入编码与任务损失，尤其不能直接照搬针对 IoU 的替换逻辑。低信噪比、跨被试差异、通道布局变化和小数据可能使层次关系不稳定。一个可证伪的小实验是在固定 EEG 编码器、分类头和 Cross-subject 划分下，仅比较欧氏与双曲表征，核对 Balanced Accuracy 及不同随机种子的波动。已有 EEG 相关工作尚未检索确认。