用于遥感分类的差异注意力感知状态空间融合模型

基于摘要分析。该研究面向多光谱（MS）与全色（PAN）遥感图像分类，针对两类图像描述同一地表而存在特征冗余的问题，提出 DASF-Model：先分离跨模态共有特征与各模态的优势特征，再融合分离后语义差异较大的表示。其主要研究对象是遥感图像，而非 EEG 或 BCI。 机制方面，作者基于选择性状态空间模型（SSM）设计跨模态差异注意力模块（CDAM），用于提取和分离 MS、PAN 的共有特征及各自优势特征。空间保持 Visual Mamba（SPVM）通过调整 Visual Mamba 的输入保留图像空间特征并捕获局部特征；摘要未交代具体输入组织方式。针对特征分离后传统均值融合难以整合语义差异的问题，注意力感知线性融合模块（ALFM）通过计算影响系数进行逐像素线性融合，并保持特征尺寸不变。损失函数、训练策略及模块实现细节尚未验证。 作者报告该方法在实证评估中优于替代方法，但摘要未提供数据集、划分协议、对照名称、指标或数值，无法据此判断收益大小或比较公平性。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码内容、运行条件与结果可复现性尚未验证。 平台推测（待验证）：若用于具有时间对齐关系的多模态神经信号，分离共有与模态特有信息的思路可能对应融合冗余问题；这仅是假设，遥感有效不等于 BCI 有效。可考察 CDAM 与 ALFM 的融合思路，但 SPVM 的图像空间输入和逐像素融合需改造成符合信号时间、通道及采样关系的表示。低信噪比、跨被试变化、通道不匹配及小数据可能使特征分离不稳定。一个可证伪的小实验是在同一对齐多模态数据、相同被试划分及固定编码器条件下，比较均值融合、仅 ALFM 和 CDAM＋ALFM，并检验加入单模态噪声后收益是否保持。已有 EEG 相关工作尚未检索确认。