通过递归 Hermite 多项式网络进行多尺度空间表征学习

基于摘要分析。本文研究图像任务中的多尺度空间表征，提出 Recursive Hermite Polynomial Networks（RHP-Nets），旨在兼顾跨卷积层的空间尺度变化与单层内部的细粒度子尺度特征，提高表征对尺度变化的鲁棒性；原研究对象不是 EEG 或 BCI。 机制上，RHP-Nets 使用空洞卷积维持跨层空间分辨率，并在部分空洞采样网格上引入一族 Hermite 多项式，递归构造子尺度表征，以缓解直接使用空洞卷积产生的伪影。不同子尺度的细粒度特征通过可训练的 Hermite 系数融合，形成可传入更深层的多分辨率表征，从而支持各层级间的特征交换。其方法重点是卷积内部的子尺度构造与融合，而不只是汇合不同深度的输出。 作者报告，该设计在多种图像识别任务上优于所比较的先进方法，并通过内部分析研究方法性质。摘要未给出具体数据集、指标、比较方法、训练规模或数值结果；损失函数、实验协议、消融及统计信息尚未验证，不能据此判断收益幅度或复现成本。 平台推测（待验证）：该机制依赖具有局部邻接关系的网格特征，可假设用于探索 EEG 时频图中的多尺度局部模式，但图像领域结果不构成 BCI 有效性的证据。可复用的候选模块是递归子尺度构造和可训练融合；需改造采样尺度及其与时间、频率轴的对应关系，不能直接将不规则电极布局视作图像网格。低信噪比、小数据及跨被试分布差异可能削弱收益。一个可证伪的小实验是在固定 EEG 时频输入、骨干与训练预算下，对照普通卷积、空洞卷积及加入递归 Hermite 构造的版本，分别报告被试内与跨被试同协议结果，检验收益是否来自子尺度机制。已有 EEG 相关工作尚未检索确认。