学习描述城市变化：图引导的变化检测与带不确定性估计的时空状态空间模型

基于摘要分析。研究面向双时相卫星影像的城市变化检测与描述生成，将 SemanticGraphCD、时空 State Space Model（SSM）和不确定性估计组成一体化流程，旨在识别有意义的城市变化、生成描述并评估描述可靠性。 SemanticGraphCD 将图神经网络与任务无关语义学习结合，自适应切换 GNN 特征传播和卷积操作，通过双时相一致性约束学习语义表示，以区分基础设施、土地利用变化与一般时相差异。描述模块包含 Spatial Difference-aware SSM（SD-SSM）与 Temporal Traversing SSM（TT-SSM）：前者针对空间差异建模，后者以时相交叉方式扫描双时相特征。卷积聚焦模块融合变化掩码与双时相影像，引导 SSM 隐状态表达变化信息。作者称该设计具有线性计算扩展特性，但复杂度对应的输入维度及实际运行开销尚未验证。 Semantic-Weighted Sentence Entropy（SWSE）对领域相关词汇赋予比功能词更高的权重，用于估计描述的不确定性。作者报告，在摘要所述变化描述评估中，其方法较已有 SSM 提升描述生成表现，且 SWSE 与描述质量相关、能够提供可靠的不确定性估计；摘要未提供数据集、划分协议、基线名称、指标或数值。实验协议、消融及统计信息尚未验证，尤其需核对词汇权重的确定方式，以及质量相关性是否伴随良好的不确定性校准。 平台推测（待验证）：其可迁移机制主要是变化区域引导的序列建模，以及对任务相关输出赋权的不确定性估计，而非直接复用卫星影像模型。假设应用于 EEG 状态变化识别，需要将图结构和变化掩码改造为通道关系与时段变化提示；原任务依赖双时相影像、变化掩码和描述输出，具体监督来源及训练规模尚未验证。EEG 的低信噪比、跨被试差异、通道变化和小数据条件可能使变化提示放大伪迹；SWSE 也不能直接等同于分类置信度。可在固定 Cross-subject 划分下比较基础 SSM 与加入变化提示的 SSM，同时检查识别指标和置信度校准，以检验这一迁移假设。已有 EEG 相关工作尚未检索确认。