EvRT-DETR：面向事件视觉的图像检测器潜在空间适配

基于摘要分析。本文研究事件相机（EBC）的目标检测，针对事件数据稀疏、异步且现有方法常依赖复杂表示与专用架构的问题，提出 I2EvDet（Image-to-Event Detection）适配框架，将通用图像检测器用于时序事件数据。主要贡献是通过少量架构增量适配冻结的潜在表示空间，得到 EvRT-DETR，而非提出 EEG 或 BCI 方法。 技术路径分为两步：首先，将事件数据构造成简单的类图像表示，并训练 RT-DETR；作者报告，这一路径可达到与专用事件检测方法相当的性能。随后，通过适配冻结的潜在表示空间，将图像检测器转换为事件检测模型。摘要未说明事件表示的具体构造、增量模块结构、时序信息如何进入模型、损失函数及训练流程，不能据此认定其使用状态空间模型。 作者报告，EvRT-DETR 在标准事件检测基准 Gen1 和 1Mpx/Gen4 上达到其所称的 SOTA，分别给出 mAP +2.3 和 mAP +1.4。摘要未明确这些增量对应的对照方法、mAP 计算协议与数值单位，因此不能直接解释为相对百分比或百分点，也不能跨基准比较。数据划分、输入时间窗口、预训练来源、计算开销、消融及统计信息尚未验证；作者所称的效率优势仍需结合正文核对。 平台推测（待验证）：可供 EEG 研究借鉴的假设是，冻结基础表示并只训练小型适配模块，可能降低小数据条件下的适配成本；这不意味着图像检测器可直接用于 EEG。原方法依赖事件相机的空间结构与时序数据，迁移时需重新设计 EEG 的通道与时间表示，以及分类或事件识别任务头。低信噪比、跨被试差异、通道布局变化和图像预训练表示失配均可能使适配失效。一个可证伪的小实验是在固定跨被试划分下，比较 EEG 预训练编码器的冻结线性头、冻结编码器加小型适配模块与全量微调，统一输入、训练预算和评价指标，以检验适配模块是否提供稳定增益。这仅检验适配思想，不构成对 EvRT-DETR 的直接复现；已有 EEG 相关工作尚未检索确认。