用于电力场景 RGB-Thermal 语义分割的双空间图交互网络

基于摘要分析。本文针对高压输电线路与变电站场景中光照不足、遮挡及复杂环境导致的电力设备识别困难，提出 Dual-Space Graph-based Interaction Network（DSGBINet），融合 RGB 与热成像信息进行全天候语义分割。研究对象是电力巡检图像，而非 EEG 或 BCI。 核心机制：两个架构相同、彼此独立的骨干网络分别提取模态特异性特征，随后通过坐标空间中的长程关系融合高层特征；再将规则网格上的多模态特征聚类并分配至特征空间的图顶点，利用跨图与图内区域关系进行推理和增强，以提取语义上下文。解码阶段采用多任务学习，协同完成边缘检测与语义分割，针对设备尺度差异及热成像固有特性改善分割。具体骨干、聚类规则、图构建方式、损失与任务权重尚未验证。 实验与证据：作者报告，在其提出的两个 RGB-T 语义分割数据集上开展了对比与消融实验，支持方法的有效性和鲁棒性，并通过公共数据集上的扩展实验报告方法优势。摘要未提供数据集名称、规模、划分、指标数值或具体基线，因此不能量化提升或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。作者表示将发布数据与代码，当前发布状态尚未验证。 平台推测（待验证）：若 EEG 与另一同步模态具有可定义的对应关系，双空间交互可作为多模态融合假设：复用模态独立编码和图间交互思路，将像素坐标与区域聚类改造为通道—时间位置及信号特征分组。它依赖可靠的跨模态同步和具有意义的节点构建；低信噪比、通道差异、跨被试分布变化及小数据可能使聚类和长程关系不稳定，图像边缘辅助任务也不能直接照搬。可在固定跨被试划分下，将简单特征融合与双空间图交互进行小规模对照，并分别移除两类交互，检验收益是否稳定。该假设不代表已证实的 BCI 效果，相关 EEG 工作尚未检索确认。