用于应对 SAR 舰船分类类别不平衡的特征空间过采样

基于摘要分析。该研究针对 SAR 舰船分类中少数类别样本不足的长尾问题，评估在特征空间进行过采样的效果，并提出受 Major-to-minor（M2m）启发的 M2m_f 与 M2m_u 两种算法。主要研究对象是 SAR 舰船图像分类，而非 EEG 或 BCI。 方法与评估：作者使用 ViT、VGG16 和 ResNet50 作为特征提取器，在 OpenSARShip（6 类）与 FuSARShip（9 类）两个公开数据集上测试，并分析过采样方法在不同类别样本规模下的表现。摘要未说明两种算法的具体特征生成机制、优化目标、特征提取器是否冻结，以及过采样与分类器训练的衔接方式，不能据此补写实现细节。 结果：作者报告，相对于原始 M2m 及基线方法，所提方法在 FuSARShip 和 OpenSARShip 上的平均 F1-score 增幅分别为 8.82% 和 4.44%。摘要未明确该增幅是相对百分比还是 F1 的绝对变化，也未说明平均范围、F1 聚合方式和各基线对应结果，因此不能转换为百分点或用于不同协议间的直接比较。数据划分、类别分布、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的迁移假设是，若 EEG 分类具有类别不平衡，且已有能保持类别结构的特征表示，特征空间过采样可能改善少数类别识别；SAR 结果本身不构成 BCI 有效性的证据。可复用的是特征提取后再平衡的流程，需核对并改造的是特征生成规则与 EEG 表示的适配。低信噪比、跨被试偏移、通道差异和小样本条件可能使生成特征放大噪声或偏离真实类别分布。一个可检验的小实验是在固定 EEG 任务和被试内划分下，仅对训练集特征实施过采样，与不重采样、随机过采样及类别加权比较，保持测试集原始分布，报告少数类别 F1 与宏平均 F1；具体实现仍需取得全文。已有 EEG 相关工作尚未检索确认。