PRCL：用于半监督语义分割的概率表征对比学习

基于摘要分析。本文研究半监督语义分割中模型自生成的未标注图像指导存在噪声、进而干扰对比学习的问题，提出 Probabilistic Representation Contrastive Learning（PRCL），通过概率化像素表征及全局分布原型增强无监督训练的鲁棒性；原研究对象是图像像素级语义分割，并非 EEG 或 BCI。 核心机制是用多元高斯分布建模像素级 Probabilistic Representations（PR），并调节模糊表征对对比学习的贡献，以容忍不准确指导。Global Distribution Prototypes（GDP）汇集整个训练过程中的同类 PR；作者认为，这能减轻即时表征噪声的影响，同时保留类内变异。框架还依据 GDP 生成 Virtual Negatives（VNs），参与对比学习。摘要未披露高斯参数的估计方式、贡献调节公式、原型更新规则及负样本生成细节。 作者报告在两个公共基准上的实验支持 PRCL 的优势，但摘要未给出基准名称、标注比例、数据划分、对照方法和具体指标，因此无法判断增益幅度或不同设置下的稳定性。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：假设 EEG 半监督分类中的不可靠伪标签能由表征不确定性刻画，则概率表征与类别分布原型可能提供降低噪声贡献的机制。迁移需将像素表征改为 EEG 片段表征，并重新设计类别原型与负样本；原方法依赖的像素级监督和表征样本规模不能直接等同于 EEG 片段级数据。低信噪比、通道差异、小样本及跨被试分布偏移可能使不确定性估计失准，或使全局原型固化错误伪标签。可先在固定被试内划分与标注预算下，对比确定性表征和概率表征，并逐项加入 GDP、VNs，检验不同伪标签噪声水平下的分类表现与不确定性校准。已有 EEG 相关工作尚未检索确认。