通过频谱空间迁移与伪标签修订实现无监督跨场景航空影像分割

基于摘要分析。本文研究航空影像跨场景语义分割中的无监督域适应（UDA），针对像素级标注成本高、源域与目标域差异影响分割表现的问题，提出 sequential learning network（SLNet），将系统分为顺序执行的图像转换模型与分割适应模型。其研究对象是航空影像，而非 EEG 或 BCI；摘要未提供将其归类为 State space models 的机制依据。 在图像转换阶段，spectral space transferring（SST）在 Fourier 频谱空间中迁移源图像与转换后图像之间的高频成分，旨在缩小视觉差异，同时保留重要的图像身份特征与细粒度细节。在分割适应阶段，pseudo-label revising（PLR）通过熵最小化引导伪标签学习，以熵图作为自适应阈值持续修订目标域伪标签；作者称该修订方式不引入额外参数。具体频谱操作、阈值计算、损失组合与阶段训练方式尚未验证。 作者报告，SLNet 在单类别与多类别 UDA 分割实验中达到当时的最先进表现；摘要未给出数据集、划分、对照方法或指标数值，因此目前无法核对该结论的适用范围。实验协议、消融及统计信息尚未验证，代码与复现条件也未确认。 平台推测（待验证）：可迁移的假设主要是利用预测熵修订目标域伪标签，以应对 EEG 跨被试或跨会话域适应中的伪标签噪声。原方法依赖图像空间结构与像素级预测，迁移时需要将熵图改为试次级或时间窗级置信度，并重新校准阈值；航空影像高频细节与 EEG 频段活动并不等价，SST 不能直接照搬。低信噪比、通道差异和小样本可能使模型产生低熵但错误的预测，进而放大错误伪标签。一个可检验的小实验是在固定 EEG 跨被试划分、目标域训练不使用标签的条件下，仅比较固定置信度阈值与熵驱动修订，保持其余训练流程一致，并检查分类指标与伪标签错误率。相关 EEG 工作尚未检索确认。