迈向无监督表征学习：视觉表征的学习、评估与迁移

基于摘要分析。这篇学位论文研究如何在不使用标注信号的条件下学习、评估和迁移视觉表征，贡献涵盖无需反向传播的表征学习、预训练与下游任务目标不匹配的度量，以及视觉域适应和非配对图像转换。主要研究对象是视觉数据，而非 EEG 或 BCI。 在表征学习方面，作者提出 Convolutional Self-Organizing Neural Networks（CSNNs），利用自组织和 Hebbian 学习规则学习卷积核与掩码，以构建更深的、无需反向传播的模型。摘要未提供具体结构、更新规则或训练规模，不能据此判断其性能、稳定性或计算成本。 在表征评估方面，作者基于常用的线性与非线性评估协议，定义独立于代理任务和目标任务目标函数的指标，用于研究无监督预训练目标与下游任务之间的不匹配。指标定义、所需标签及其与下游性能的关系尚需正文核对。在表征迁移方面，作者贡献 CARLANE，并将其描述为首个用于 2D lane detection 的三路 sim-to-real 域适应基准，同时提出基于原型式自监督学习的方法。此外，论文提出内容一致的非配对图像到图像转换方法，结合掩码、全局与局部判别器以及相似性采样，以缓解内容不一致。摘要未给出定量结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：目标不匹配的评估思路可能对应 EEG 自监督表征未能保留下游任务信息的问题。可复用的是评估框架，而非直接照搬视觉模型；需核对指标对标签、表征结构和数据规模的依赖，并适配 EEG 的时序输入与跨被试划分。低信噪比、通道差异和小样本可能使指标主要反映被试特征或噪声。一个可检验的假设是：在固定的 Cross-subject 划分下，不同自监督目标的该类指标排序能够预测同一冻结编码器评估协议下的下游表现；若排序不一致，则该迁移假设不获支持。相关 EEG 工作尚未检索确认。CARLANE 和图像转换贡献仍属于视觉研究，不能作为 BCI 有效性的证据。