GLCONet：面向伪装目标检测的多源感知表征学习

基于摘要分析。该研究针对伪装目标检测（COD）中局部外观难以区分目标与背景的问题，提出全局—局部协同优化网络 GLCONet，以同时建模局部细节和跨尺度特征像素之间的长程关系。研究对象是图像中的伪装目标，并非神经信号或 BCI 任务。 方法包含两个核心设计：协同优化策略（COS）从多源感知角度联合刻画局部信息与全局长程关系，以增强目标结构及细节的判别性；相邻反向解码器（ARD）通过跨层聚合与反向优化，整合不同层级的互补信息。摘要未展开“多源感知”的具体输入构成、关系建模算子、损失函数和训练流程，不能据此推断其使用多模态数据。 作者报告，在三个公共 COD 数据集上，采用不同骨干网络的 GLCONet 优于所比较的 20 种 SOTA 方法，并能激活图像中潜在的重要像素。摘要未提供数据集名称、划分、评价指标、具体数值及基线配置，因此尚不能量化提升幅度或判断各组件贡献；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库链接，但代码完整性、预训练依赖及复现条件尚未核验。 平台推测（待验证）：若 EEG 被组织为时频图或通道拓扑图，局部细节与长程关系协同建模可能对应短时节律变化和跨时间、频率或通道依赖的联合提取。可借鉴 COS 的建模思路，但需改造图像空间邻接假设及面向像素分割的 ARD；通道布局差异、低信噪比、跨被试变异和小样本可能使全局关系学习失效。一个可证伪的小实验是在固定跨被试划分、相同输入与训练预算下，对照局部基线和加入全局关系模块的版本，检验预先指定指标及通道扰动下的稳定性。该迁移仅为假设，已有相关 EEG 工作尚未检索确认。