FedCrack：采用无监督表征的裂缝检测联邦迁移学习

基于摘要分析。本文研究路面裂缝语义分割：在源域标签不可获取且训练受联邦隐私约束的条件下，如何学习可迁移表征。作者提出 FedCrack，将无监督源域预训练与目标域微调结合，以支持细粒度裂缝分割；研究对象是视觉图像，而非 EEG 或 BCI。 机制上，FedCrack 将特征解耦与原型聚类引入 vision Transformer，旨在通过自监督学习同时获取类别和形状表征，在不访问源域标注的情况下预训练编码器。摘要描述了本地学习与梯度聚合至联邦中心模型的过程；随后在目标域进行微调，利用带有 scaling attention 的解码器完成分割。具体损失函数、客户端划分、聚合细节、目标域监督条件及参数更新范围尚未验证。这里的“无监督”明确针对源域预训练，不能延伸为整个训练流程均不使用标签。 作者报告，在路面裂缝基准实验中达到 82.14% mIoU 和 9.85 FPS。摘要未明确这些数值对应的数据集、划分、比较基线、输入尺寸与测速硬件，因此不能据此独立确认相对优势，也不能将运行速度直接外推至其他部署环境。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域假设是，联邦无标签预训练可能服务于多中心 EEG 数据难以集中、标注有限的问题。可复用的思路是本地表征学习、原型组织与中心聚合；图像编码器、形状表征和分割解码器则需针对 EEG 时序、通道结构及具体任务重新设计。低信噪比、跨被试差异及不同中心的通道配置可能使原型按中心或伪迹聚集，而非按任务相关特征聚集。一个小规模检验是：在固定跨被试划分、客户端划分和目标域标签预算下，比较含原型机制与不含该机制的联邦预训练，观察下游任务指标及原型的被试依赖性。该建议不是原论文已验证结论，已有 EEG 相关工作尚未检索确认。