通过输出平移进行基于聚类的表征学习及其在遥感图像中的应用

基于摘要分析。本文研究遥感图像（RSI）标注难以大规模获取时的自监督表征学习，提出一种基于聚类的方法，通过平移神经网络输出，在促进样本均匀分布的同时保留输出的邻域关系。 核心机制方面，作者先引入衡量表征判别性的量，并据此论述均匀分布与高判别性表征之间的关系；随后强调，只有保留表征邻域关系的均匀分布才是理想目标。与主要把同一图像的不同变换视为正样本的实例判别方法相比，基于聚类的方法还将相似图像纳入正样本关系。本文的具体贡献是围绕“分布均衡与邻域保持”设计输出平移算法，而非仅追求样本分布均匀化。判别性度量的定义、理论成立条件、平移操作及训练目标尚未验证。 作者报告，在多个遥感图像数据集上的实验中，该方法获得了与先进对照方法相当或更好的表征，并表现出计算效率与鲁棒性。摘要未提供数据集名称、数据划分、评估任务、指标、具体数值或计算成本口径，实验协议、消融及统计信息尚未验证，不能据此确认优势幅度或适用边界。 平台推测（待验证）：若 EEG 表征存在可保留的局部语义邻域，输出平移可能成为缓解聚类分配失衡的一种候选机制；但其依赖邻域具有任务意义，均衡目标也需适合实际类别分布。迁移时需改造 EEG 编码器、信号增强与聚类分配，并检验低信噪比、被试差异及通道差异是否使邻域主要反映伪迹或个体身份，小数据也可能导致邻域不稳定。一个可证伪的小实验是固定 EEG 编码器与训练划分，对比加入输出平移前后的下游分类表现、聚类占用分布及邻域保持程度，并单独报告跨被试结果。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。