基于原型引导的域感知渐进表征学习的大规模遥感影像跨域滑坡制图

基于摘要分析。本文研究双时相遥感影像的跨域滑坡制图，针对像素级标注需求大、模型对未见异质域泛化能力弱的问题，提出 prototype-guided domain-aware progressive representation learning（PG-DPRL）。方法采用多目标域适应（MTDA），旨在无需为目标域额外标注样本的条件下，学习适用于多个目标域的共享滑坡制图网络。 核心机制是依据源域与目标域之间的差异，采用由近及远的适应策略，逐步对齐各目标域与源域的表征分布；通过跨域原型学习生成域特定伪标签，并聚合跨域表征以学习共享决策边界。在每个渐进学习步骤中，prototype-guided adversarial learning（PGAL）引入 Wasserstein 距离度量与 cross-domain prototype consistency（CPC）损失，用于类别级表征对齐及判别能力增强。摘要未给出具体损失公式、域距离计算方式及伪标签筛选规则。 作者报告，在包含来自不同滑坡地点的 17 个异质域的 global very-high-resolution landslide mapping（GVLM）数据集上，PG-DPRL 在所有目标域的总体与平均准确率指标上优于若干先进对照方法，并改善迁移能力。摘要未提供具体分数、源域与目标域划分、对照配置及指标聚合定义；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在可迁移机制是利用类别原型约束多目标域对齐，而非遥感变化检测本身。若各被试或会话具有一致任务标签且存在可用目标域未标注 EEG，可假设将渐进适应与原型一致性用于跨被试或跨会话分类。可复用的是域排序、原型更新和对齐框架；需将双时相图像表征与像素分类模块改造成 EEG 时序表征与试次分类模块。低信噪比、小样本、通道差异及被试特异性可能使原型不稳、伪标签错误累积，或令共享边界引发负迁移。一个可检验的小实验是固定 EEG 编码器、数据划分与目标域访问范围，对比同时对齐与由近及远对齐，再移除原型一致性约束，检验收益是否稳定；已有 EEG 相关工作尚未检索确认。