用于弱监督目标定位的渐进式表征适配

基于摘要分析。本文研究仅有图像级标注时的弱监督目标定位，提出由分类适配与检测适配组成的渐进式表征适配方法，旨在缓解候选目标区域噪声造成的学习歧义、初始化敏感性及不理想的局部最优问题。 分类适配阶段将预训练网络迁移到多标签分类任务，学习与目标类别相关的判别表征。检测适配阶段基于适配后的分类网络，利用两种评分策略挖掘类别特定的候选区域，减少背景杂波与相似目标造成的混淆；随后结合多实例学习和分割线索进一步细化候选区域，并利用得到的目标边界框微调分类网络的所有层，形成检测网络。摘要未说明两种评分策略的具体定义、损失函数及分割线索的来源。 作者报告，在 PASCAL VOC 和 ILSVRC 数据集上的实验中，该方法相较当时先进方法表现有利；摘要未提供具体指标、数值、数据划分或对照方法，因此无法判断增益幅度及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将“粗粒度标签下的候选区域挖掘与细化”用于仅有试次级标签、事件时间位置不明确的 EEG 任务，以候选时间窗替代图像候选框。可复用的是分类表征适配和多实例候选筛选思路；图像区域评分、边界框及分割线索不能直接照搬，需要改造成时序评分与生理约束。低信噪比、跨被试差异、通道配置变化及小数据可能使伪候选持续强化伪迹。一个小规模可证伪实验是在固定被试划分和相同骨干下，对照直接试次分类与渐进式时间窗筛选，检验后者是否改善分类及事件时间定位。已有 EEG 相关工作尚未检索确认。