序贯热红外反无人机检测中的灾难性遗忘：尺度条件下梯度失衡的作用

基于摘要分析。研究考察热红外反无人机检测器在数据集依次变化时的灾难性遗忘，并将目标尺度条件下的梯度失衡提出为候选机制；同时比较知识蒸馏与尺度分层回放的保留表现。 作者使用基于 YOLOv5 的 YOLOMG，关闭运动通道，仅保留单路热红外输入，依次在尺度难度递增的 Anti-UAV-RGBT、Anti-UAV410 和 CST Anti-UAV 上训练。作者报告，朴素微调至 CST 后，相对 Stage 1 性能上限的 Forgetting Measure（FM）为 -0.605，对应 90% 能力损失，其中 Stage 3 单阶段贡献为 -0.572。采用冻结教师进行知识蒸馏时，三个随机种子的 FM 为 -0.033 ± 0.004，对应 95% 保留率；由于没有 Stage 2 不使用知识蒸馏的对照，该结果支持蒸馏训练条件下的保留能力，而不能确立蒸馏的因果效果。 机制分析中，作者报告大目标检测在首个 epoch 内降至接近零，但参与梯度更新的权重在阶段间的余弦相似度仍为 0.987。这一现象提示整体权重相似并不保证各尺度能力稳定，支持进一步检验尺度条件下梯度失衡，而非将其视为已确证机制。Scale-Stratified Herding（SSH）采用按四个 UAV 尺度层均衡配置的 300 样本缓冲区，使 FM 从 -0.605 改善至 -0.311，并维持非零的大目标检测能力。作者报告，分层随机回放的 FM 为 -0.221，不弱于 SSH，提示收益主要来自尺度分层而非 herding；两项回放结果均为单随机种子，属于初步证据。 平台推测（待验证）：该研究的可迁移部分是按数据子群诊断遗忘并进行均衡回放，而不是直接将目标尺度映射到 EEG。假设在跨会话 EEG 持续学习中存在可稳定定义、且与性能退化有关的数据子群，可改造分层依据与缓冲区采样策略，在相同样本预算下比较普通随机回放和分层随机回放，检验旧会话及各子群性能是否得到保留。低信噪比、被试差异与小数据可能使分层不稳定；已有 EEG 相关工作尚未检索确认。原论文的数据划分、检测指标、FM 定义、梯度诊断细节、其余消融及统计信息尚未验证。