面向 PolSAR 图像分类的元图表示学习

基于摘要分析。本文研究极化合成孔径雷达（PolSAR）图像分类中训练集与测试集成像平台、地物类别不一致的问题，提出 meta-graph representation learning（MGRL），结合局部特征、全局图结构和多任务元学习，以少量标注样本适应跨平台、跨类别任务。 方法包含用于提取像素局部散射特征的 trumpet convolutional network（TCN），以及建模极化信息全局结构的 graph convolutional network（GCN）。通过多个元学习任务的协同优化，模型学习可迁移的像素嵌入，以支持识别训练时未见的新类别。这里的 TCN 指原文的 trumpet convolutional network，不能解释为时序卷积网络。图的节点与边如何构造、局部与全局表示如何融合、元学习目标及适应步骤均尚未验证。 作者报告，在若干机载与星载 PolSAR 数据集上的实验支持 MGRL 相对对照方法的有效性与优势；摘要未提供具体数据集、标注样本量、类别划分、评价指标或结果数值，无法据此量化收益。跨平台与跨类别是否分别或联合评估，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究考察的是“局部表示与全局图结构结合，再以元学习支持少样本适应”的机制，而非雷达散射特征本身。该机制依赖可定义的图结构、带标签任务及足够的任务多样性；对应 EEG 的潜在问题是跨被试分布差异下的少样本校准。迁移时需将雷达特征提取器替换为 EEG 编码器，并重新定义通道或脑区图，不能直接沿用极化信息结构。低信噪比、通道布局差异及小数据可能使图结构不稳定或导致元学习过拟合。可检验的小实验是在固定 Cross-subject 划分与相同目标被试标注预算下，比较完整迁移方案、去除图模块及去除元学习的版本；该方案尚非已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。