DISC：通过渐进式表示学习进行深度图像显著性计算

基于摘要分析。本文研究图像显著性目标检测，提出 DISC 框架，通过由粗到细的渐进式表示学习，减少对对象与背景先验及手工特征设计的依赖，在突出显著对象的同时保留局部细节。 机制上，DISC 由两个堆叠的 CNN 构成。第一个 CNN 接收整幅图像，利用全局上下文生成粗粒度显著性图，并融合基于超像素的局部上下文加以细化；第二个 CNN 在粗显著性图引导下聚焦局部上下文，输出更细致的显著性图。测试时，两个 CNN 协同完成一次显著性计算。其方法特点是将全局定位与局部细化分阶段衔接，而不是仅依赖单一尺度的表示。 作者报告，在多个标准基准上，DISC 优于所比较的当时先进方法，并可在不额外训练的情况下实现跨数据集泛化。摘要未列出基准名称、具体指标、划分及对照结果，因此无法量化提升，也不能确定该泛化结论的适用范围。损失函数、训练监督、实验协议、消融及统计信息尚未验证。摘要称提供可执行版本，但其当前可用性与完整复现条件尚未验证。 平台推测（待验证）：若将该机制用于 EEG 时频图的局部事件定位，可考虑复用“全局粗定位引导局部细化”的结构，但需重新定义目标、监督标签和时频邻域；图像超像素不能直接等同于 EEG 的通道或时频结构。低信噪比可能使粗定位误差向后级传播，跨被试差异及小数据也可能削弱局部表示学习。一个可检验的小实验是在固定跨被试划分与相同监督下，对比单阶段定位器、粗到细定位器及去除粗图引导的版本，检验局部事件定位是否改善。该假设并非本文已验证贡献，相关 EEG 工作尚未检索确认。