Space Engage：面向基于对比学习的半监督语义分割的协同空间监督

基于摘要分析。本文研究半监督语义分割（S4），目标是在少量有标签图像与大量无标签图像条件下训练分割模型。Space Engage 联合利用 logit 空间和表征空间的输出构建监督，并依据表征与原型的相似度，将训练侧重于表现较弱的表征。 核心机制：摘要指出，既有基于对比学习的 S4 方法在潜在表征空间进行像素级对比学习，使表征向对应原型聚合，但无标签训练的监督主要来自模型的 logits。本文引入两个空间的协同监督；作者认为，这既有助于降低模型过拟合 logits 中错误语义信息的风险，也能促进两个空间之间的知识交换。表征—原型相似度进一步被用作训练倾斜的依据。具体监督融合方式、原型构建与更新规则、损失形式及训练权重尚未验证。 结果与证据边界：作者报告，在两个公开基准上，相较于先进方法取得有竞争力的表现。摘要未给出基准名称、标注比例、数据划分、指标或数值，因此无法量化收益或比较不同协议下的结果；实验协议、消融及统计信息尚未验证。来源栏目虽标注 State space models，但摘要讨论的是半监督语义分割，不能据此认定其采用状态空间模型。 平台推测（待验证）：其可迁移假设是，让分类输出与表征—原型关系协同约束无标签样本，可能缓解半监督 EEG 分类中错误伪标签的强化。原方法依赖图像像素级语义结构及类别原型；迁移时可考虑复用双空间监督思路，但需将像素表征改为 EEG 试次或时间窗表征，并重新设计原型估计与相似度校准。低信噪比、跨被试分布变化、通道差异及小样本条件可能使原型不稳定，两个空间也可能产生相关错误，而非互相纠正。一个可检验的小实验是在固定跨被试划分和有标签比例下，对照仅使用 logits 监督与双空间监督，比较 Balanced Accuracy 及伪标签错误率，并独立检验相似度训练倾斜的贡献。已有 EEG 相关工作尚未检索确认。