Channel Randomisation：面向特色作物可靠视觉异常检测的自监督表征学习

基于摘要分析，当前材料仅提供研究亮点，未取得论文全文。该研究面向特色作物的视觉异常检测，提出利用 Channel Randomisation 增强图像，并通过对增强图像进行分类开展自监督表征学习，使学得的表征关注颜色不规则性，以识别不健康作物。 机制上，研究将图像颜色通道的随机化与自监督分类任务结合，侧重颜色异常，而非仅依赖结构表征。作者报告，所学表征在不健康作物检测中优于结构表征，并称采用 L∗a∗b∗ 颜色空间结合课程学习可获得最佳表现。但材料未说明随机化操作、分类目标、课程安排、对照方法或具体指标，因此这些结论的适用范围及收益幅度尚未验证。 作者报告公开发布 Riseholme-2021 数据集，包含超过 3.5K 张草莓图像。材料未提供标注方式、训练与测试划分、异常类别分布及采集条件；实验协议、消融及统计信息尚未验证，复现仍需核对全文和数据说明。 研究对象是作物图像，其颜色通道与 EEG 的电极通道不具有直接等价关系。当前材料不足以建立具体的 EEG 迁移机制，不据此提出 BCI 性能结论；相关 EEG 工作尚未检索确认。