基于特征空间拓扑保持策略的域增量目标检测

基于摘要分析。该研究针对目标检测模型持续适应新域时遗忘旧域的问题，提出 Topology-Preserving Domain Incremental Object Detection（TP-DIOD），通过保持 CNN 特征空间的拓扑结构，约束后续域增量学习中的表征变化。其主要研究对象是视觉目标检测，而非 EEG 或 BCI。 方法上，作者使用 self-organizing map（SOM，自组织映射）建模已学特征空间的拓扑，并依据 SOM 节点的质心向量构建锚图像集，用以记忆该拓扑；随后引入 anchor loss，惩罚后续增量学习过程中的特征空间拓扑变化。摘要未给出锚图像的具体选择方式、损失公式、样本存储开销及其与检测训练目标的组合方式，这些实现条件尚未验证。 作者报告，在两组数据集上的域增量目标检测实验中，TP-DIOD 能缓解灾难性遗忘，并在旧域和新域数据上取得较高准确性。摘要未提供数据集名称、域序列、评估指标、具体数值或对照基线，因此不能量化其收益，也不能将这里的准确性直接等同于 Accuracy；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，特征拓扑约束可能有助于缓解 EEG 模型跨会话持续适应时的旧会话遗忘。可复用的是 SOM 表征、锚样本记忆与拓扑保持约束，需将图像特征及检测目标改造为 EEG 编码特征与相应解码目标，并明确历史样本可保留范围。低信噪比、通道变化及小样本可能使 SOM 拓扑不稳定，过强约束也可能妨碍对新会话的适应。一个小规模验证可固定 EEG 编码器、会话顺序与历史样本预算，对比仅回放锚样本和加入拓扑约束后的旧会话保持与新会话性能。已有 EEG 相关工作尚未检索确认。