LeOCLR：利用原始图像进行视觉表征对比学习

基于摘要分析。LeOCLR 研究视觉表征对比学习中随机裁剪造成的语义错配：同一图像的两次裁剪可能包含不同语义内容，强制建立对应关系可能损害表征。该方法利用原始图像，引入新的实例判别方式及调整后的损失函数，以缓解不同物体局部之间的映射导致语义特征被舍弃的问题。 核心机制与结果：摘要未给出原始图像参与训练的具体方式、正负样本构造或损失公式。作者报告，该方法在多个数据集上相对基线改善表征学习；在 ImageNet-1K 线性评估中，相对 MoCo-v2 的提升原文记为 5.1%，但未说明这是相对百分比还是百分点，也未注明具体指标，不能进一步换算。作者还报告迁移学习任务上优于若干方法，但未列出任务、对照及数值。训练规模、增强配置、评估划分、消融及统计信息尚未验证。 平台推测（待验证）：该工作的可迁移点是“增强视图未必保留相同语义”这一机制问题，而非已验证的 EEG 方法。原方法依赖原始图像及其增强视图；若 EEG 自监督学习采用时间裁剪，短窗口也可能丢失任务相关事件或节律，但原始记录能否提供可靠语义参照仍是假设。可考虑复用原始样本与增强视图之间的关联思路，需改造信号编码器、裁剪策略及损失中的对应关系；低信噪比、通道差异和跨被试变异可能使原始记录同时保留更多干扰，小数据下也可能放大过拟合。取得具体实现后，可在固定 EEG 数据划分、编码器与训练预算下，对比普通双裁剪与原始记录参与的对比学习，并改变裁剪长度，检验下游性能是否随语义保留程度稳定改善。已有 EEG 相关工作尚未检索确认。