多尺度 contourlet 知识引导学习分割

基于摘要分析。本文研究图像分割中外观变化与目标边界模糊造成的特征提取困难，提出多尺度 contourlet 知识引导学习网络，以多尺度、多方向稀疏表示补充空间域 CNN 特征。主要研究对象是息肉图像与建筑图像分割，而非 EEG 或 BCI。 机制方面，作者认为，仅在空间域提取特征不足以刻画谱域中的方向性、奇异性与规则性，因此引入 contourlet 表示，引导谱域特征学习。作者报告，该网络能够学习多层次判别特征并捕获更准确的目标边界；但摘要未说明 contourlet 与网络的具体耦合方式、损失函数或训练流程。 评估覆盖五个息肉分割数据集 CVC-ColonDB、CVC-ClinicDB、Kvasir-SEG、ETIS-LaribPolypDB、EndoSceneStill，以及两个建筑数据集 Massachusetts、WHU，并与已有方法比较。摘要未提供具体指标、数值、划分方式及基线名称，因此无法判断增益幅度，也不能将覆盖多个数据集等同于完成跨数据集泛化验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 表示为时频图，多尺度、多方向分解可能为局部时频结构提供归纳偏置，但这仅是迁移假设，图像边界建模有效不等于 EEG 解码有效。可考虑复用 contourlet 分解与知识引导思路，需改造输入表示和任务输出；低信噪比可能放大伪迹结构，被试差异、通道布局变化及小样本也可能削弱收益。一个可证伪的小实验是在固定 EEG 时频表示、相同骨干和跨被试划分下，对比加入与不加入 contourlet 引导的版本，并核对性能变化是否稳定。已有 EEG 相关工作尚未检索确认。