面向高分辨率遥感场景变化检测的对比式场景变化表征学习

基于摘要分析。本文研究高分辨率遥感场景变化检测（SCD），目标是识别双时相遥感图像场景对的高层语义变化类型；提出 scene change contrastive（SCC）learning，通过对比学习增强联合双时相特征作为变化表征的判别能力，针对类内差异与类间相似造成的识别困难。 机制上，作者提出 multiview change（MVC）projector 与 pseudo change augmentation（PeCA）策略，将联合双时相特征映射为真实和伪 MVC 投影，并结合局部空间信息与全局信息引导变化表征学习。摘要描述的对比机制是在投影空间聚合预定义正样本、分离负样本，但正负样本构造规则、PeCA 的具体操作、损失形式及监督需求尚未验证。 作者报告，在两个公共数据集上的实验支持该方法的有效性；摘要未提供数据集名称、划分协议、对照基线、指标及具体数值，因此不能判断收益幅度或跨场景泛化能力。摘要提供了代码仓库地址，但实现完整性、运行条件、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是，对成对时段信号显式学习“变化”而非仅拼接特征，可能有助于 EEG 状态变化识别，但遥感语义变化不等同于神经状态变化。可考虑复用双时段联合表征与对比投影思路；图像空间编码、局部信息建模及 PeCA 则需适配 EEG 通道与时间结构，并验证增强是否保持状态变化标签。低信噪比、通道配置差异、跨被试偏移和小数据可能使模型学到采集差异而非目标变化。一个可证伪的小实验是：在具有明确状态变化标签的成对 EEG 时窗上，固定编码器、数据划分和训练预算，比较联合特征分类与加入变化对比约束的模型，并独立报告被试内和跨被试结果。已有 EEG 相关工作尚未检索确认。