域鲁棒训练与指标对齐的跨场景缺陷检测

基于摘要分析。本文研究工业板材在光照、表面污染和生产线条件变化下的跨场景缺陷检测，目标是在未见场景中检测、定位并分类缺陷，同时减少无缺陷板材上的误报。作者面向 IDA 2026 Track 1，将域鲁棒训练、小缺陷感知学习、分数校准与推理阈值选择，以及指标对齐的检查点选择整合为一套方法。 技术上，跨场景鲁棒训练采用鲁棒归一化、DSU 风格的统计量扰动及渐进式随机卷积；小缺陷感知学习引入 NWD 和无参数空间注意力；分数校准相关模块采用 VFL 学习目标；检查点选择使用由 Track 1 导向代理指标驱动的定制 SWAD 变体。摘要未给出这些机制的具体实现、损失公式及模块间交互，因此不能据此确定各模块的独立贡献。 作者报告，在该挑战测试集上，模型取得 Track 1 score 0.564、screening score 0.696，实验使用单张 RTX 4090 GPU。这些是特定挑战协议下的分数，不能改写为 Accuracy，也不足以判断相对基线的提升。场景划分、指标定义、阈值与检查点选择所用数据、对照实验、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容及复现完整性尚未核查。 平台推测（待验证）：其统计量扰动与鲁棒归一化可能对应 EEG 跨被试、跨会话的分布变化，但原方法依赖工业图像的空间结构、缺陷定位监督及挑战专用指标，训练规模尚不明确。可优先评估归一化和统计扰动模块；随机卷积需适配 EEG 时序及通道结构，NWD、空间注意力和检测分数校准不能直接照搬。低信噪比、小数据及通道差异可能使扰动破坏任务相关信息。一个可证伪的小实验是在固定的 Cross-subject EEG 划分下，仅比较基线与加入统计扰动的版本，并仅用训练、验证被试选择配置；若独立测试被试上无稳定收益，则不支持该迁移假设。相关 EEG 工作尚未检索确认。