用于视觉注意预测的生物启发式表征学习

基于摘要分析。本文研究计算机视觉中的 Visual Attention Prediction（VAP，视觉注意预测），提出同时利用低层对比度和高层语义特征生成视觉注意图的生物启发式表征学习方法。研究对象是视觉图像中的注意分布预测，而非 EEG 解码或 BCI；其生物启发来自人眼对高对比度局部区域及具有较强语义意义对象的敏感性。 方法包含特征提取、表征学习和注意图生成三个步骤：使用改进的 VGG16 提取高层语义特征，并通过深度网络中的对比度特征提取模块获取低层对比度特征；随后以设计的密集连接模块逐尺度拼接不同特征；最后通过加权融合层生成视觉注意图。相较于摘要所描述的既有深度学习 VAP 方法，其主要设计动机是更充分地利用低层对比度，而不仅依赖高层语义。改进 VGG16 的具体方式、特征尺度、融合权重的学习方式、损失函数及训练流程尚未验证。 作者报告通过广泛实验展示了方法的有效性，但摘要未提供数据集、数据划分、对照基线、评价指标或定量结果，因此无法据此判断提升幅度及泛化能力。实验协议、消融及统计信息尚未验证，复现还需核对模型配置、监督信号、预处理与实现可用性。 该机制依赖图像的空间对比度、语义特征及多尺度结构，当前材料没有建立这些表征与 EEG 信号瓶颈之间的具体对应关系，因此不将其表述为 BCI 算法贡献，也不据此提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。