通过类别流形交互实现拓扑感知的层次表征学习

基于摘要分析。本文研究细粒度视觉识别中平坦类别监督忽略潜在类别关系、相近类别表征区域容易重叠的问题，提出 Topology-aware Hierarchical Representation Learning（THRL），从表征几何中发现潜在层级，再利用该层级指导后续表征学习。 核心机制包括：构建 Class Manifold Interaction Graph（CMIG），刻画类别流形之间的局部几何交互；通过拓扑约束的表征亲和性，在不依赖外部分类体系或粗粒度语义标注的情况下，发现数据集层面的几何分组；随后使用 Hierarchical Manifold Loss（HML），同时促进 Meta-clusters 内部的细粒度类别分离和不同组之间的粗粒度分离。其方法重点是由几何关系生成层级监督，而非直接采用既有语义层级；这不意味着训练无需类别监督。 作者报告，在多个细粒度视觉识别基准及不同架构上，分类表现、表征质量和对常见图像损坏的鲁棒性均得到一致改善。摘要未提供具体数据集、划分、对照方法、指标或数值，因此无法判断改善幅度及适用边界。图构建方式、亲和性定义、分组更新策略、HML 具体形式，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类任务中的类别关系能在跨被试或跨会话变化下保持稳定，CMIG 与层级损失可能用于刻画易混淆类别之间的结构；可复用思路是几何分组与分层分离约束，需改造的是 EEG 表征、距离度量及图更新策略。该假设依赖足够的带标签样本与可靠的局部几何；低信噪比、通道差异和小数据可能使分组反映被试或采集条件，而非任务类别。可在固定 Cross-subject 划分下，仅用训练被试构图，对比相同骨干的平坦监督与加入层级约束的版本，并检查分组稳定性及分类指标。已有 EEG 相关工作尚未检索确认。