统一标签空间下多数据集目标检测的渐进式伪标签方法

基于摘要分析。本文研究多数据集目标检测中标签空间不一致的问题，提出 Progressive Pseudo Labeling（PPL），目标是在统一标签空间下训练目标检测器，而不只是分别提升各数据集原有标签空间内的检测性能。 方法采用教师—学生模型：学生同时利用人工标注和教师生成的伪标签学习，教师参数由学生参数的指数移动平均（EMA）更新，从而联合推进伪标签细化与检测器训练。作者还提出 Entropy-guided Adaptive Threshold（EAT）、Global Classification Module（GCM）和 Scene-Aware Fusion（SAF），用于应对伪标签噪声并适配整体分布；摘要未说明各模块的具体计算、损失形式与融合位置。 作者报告，在多个多数据集基准上，PPL 优于其比较的现有最优方法，并可与使用全部类别标注训练的监督方法相比。摘要未提供基准名称、评价指标、数值、数据划分及监督对照的具体条件，因此尚不能判断优势幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在关联是跨数据集类别标注不完整时的联合训练，而非已经验证的 BCI 方法。迁移假设依赖不同 EEG 数据集之间存在可对齐的任务类别及可靠的部分标注；可考虑复用教师—学生与 EMA 框架，但视觉目标检测中的分类、定位及场景融合机制不能直接视为 EEG 可用模块。EEG 低信噪比、跨被试差异、通道不一致及小样本可能使错误伪标签持续累积。一个可检验的小实验是在具有共享任务类别的 EEG 数据中人为隐藏部分训练标签，在固定跨被试划分下比较仅用可见标注、加入 EMA 伪标签及完整标注参考条件，并核对伪标签准确性与下游分类表现。上述迁移尚无本文证据支持，已有 EEG 相关工作尚未检索确认。