面向类别增量目标检测的任务感知语言—图像表征学习

基于摘要分析。本文研究类别增量目标检测（CIOD），即检测器持续学习新任务时如何保留已学类别的检测能力。作者提出任务感知语言—图像表征方法，将文本线索引入增量检测，以缓解灾难性遗忘；研究对象是视觉目标检测，而非 EEG 或 BCI。 核心机制：不同于主要依赖纯视觉骨干的蒸馏与回放方法，该研究利用语言—图像检测器的表征能力。训练阶段采用隔离式方式学习不同任务的语言—图像表征，推理阶段使用任务特定表征产生的对齐分数。摘要未说明隔离发生于哪些参数或模块，也未披露损失函数、参数更新范围及多个任务评分的整合方式，尚不能据此判断其计算开销与任务扩展性。 结果与证据：作者报告，在 COCO 2017 与 Pascal VOC 2007 的多种 CIOD 设置下，该方法达到当时最优结果，并报告语言—图像检测器在缓解遗忘方面具有优势。摘要未提供具体任务划分、类别顺序、评价指标数值或基线配置，因此无法核对优势幅度；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，将任务隔离与语义对齐机制用于 EEG 类别增量解码。原方法依赖图像、类别文本及分阶段检测任务；对应 EEG 时，需要改造信号编码器，并验证类别文本是否具有稳定、可学习的神经信号对应关系。低信噪比、跨被试差异和小数据可能削弱语义对齐，任务隔离也可能限制知识共享。一个可证伪的小实验是在固定被试内划分与类别增量顺序下，对比普通 EEG 增量分类器、加入文本对齐的方法及进一步加入任务隔离的方法，检查旧类性能保持与新类学习能力。该假设不构成已验证的 EEG 效果，已有 EEG 相关工作尚未检索确认。