基于结构关系图表征学习的无监督多模态变化检测

基于摘要分析。该研究针对多模态遥感影像因模态异质性而难以直接比较的问题，提出结构关系图表征学习框架，利用两类模态无关的结构关系进行无监督变化检测。研究对象是遥感影像，而非 EEG 或 BCI。 方法首先通过基于对象的影像分析，将预处理后的多模态影像对构造成结构图；随后使用结构关系图卷积自编码器（SR-GCAE）学习图表征，并分别以顶点信息重建和边信息重建为目标设置两项损失，使表征适用于结构关系相似度度量。框架再根据两类结构关系的相似度生成两幅差异图，经自适应融合及基于形态学滤波的后处理得到检测结果。摘要未说明两类关系的具体定义、损失公式及融合规则。 作者报告，在六个具有不同模态组合的数据集上的实验支持方法有效性；摘要未给出数据集名称、划分、对照方法或量化指标，因此无法判断收益幅度与不同模态组合下的稳定性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究借鉴的假设是，当不同模态或会话之间存在可对应、相对稳定的关系结构时，比较图表征可能比直接比较信号幅值更稳健。可复用部分是图自编码器及顶点、边联合重建思路；遥感对象构图、差异图融合与形态学后处理则不能直接照搬，需重新定义 EEG 节点、边及对应关系。低信噪比、通道布局差异和跨被试差异可能破坏结构稳定性，小数据也可能限制表征学习。一个可证伪的小实验是在固定通道、严格按会话划分的 EEG 数据中，比较原始特征距离与图表征距离对预定义状态变化的区分能力，并以仅重建顶点或仅重建边作为消融。已有 EEG 相关工作尚未检索确认。