基于状态空间模型的高光谱异常检测自适应双域学习

基于摘要分析。本文研究高光谱异常检测（HAD），针对现有学习方法难以同时利用空间稀疏性与光谱间相似性、对区分背景和异常的高频信息关注不足的问题，提出空间—光谱自适应双域学习方法 SSHAD。其核心是结合状态空间建模与频率分解，在背景重建过程中抑制异常重建。 方法将空间选择状态空间模块（SSSM）与光谱频率划分自注意力模块（FDSM）并行组成 SS-block。SSSM 通过多方向扫描高光谱影像的空间维度获取全局感受野；FDSM 利用离散小波变换（DWT）分离高、低频信息，并分别采用多尺度卷积和自相似注意力处理。作者称该并行结构可建立跨窗口联系、扩大感受野，同时保持线性复杂度。SSHAD 以 SS-block 为主要组件，另引入频率损失，在背景重建时抑制高频异常的重建；损失公式及其与其他训练目标的组合尚未验证。 作者报告，在四个公开数据集和两个无人机（UAV）载高光谱数据集上的实验支持 SSHAD 的优势与有效性。摘要未提供数据集名称、划分、对照方法、指标或具体数值，无法判断优势幅度及跨场景稳定性；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性尚未核实。 平台推测（待验证）：迁移假设仅涉及多方向状态空间建模与频率分解机制，不涉及已证实的 EEG/BCI 效果。原方法依赖空间—光谱影像结构与背景重建目标，其监督方式和训练规模尚未明确。若用于 EEG 异常片段检测，可考虑复用频率分解与重建框架，但需将空间扫描改为适配电极拓扑和时间序列的建模，并重新定义异常目标。EEG 高频成分既可能是伪迹，也可能包含有效神经活动，直接抑制可能损伤信号；低信噪比、跨被试差异、通道配置变化与小数据也可能使背景重建失效。一个可检验的小实验是在固定跨被试划分下，对比相同重建骨架有无频率损失的异常检测表现与有效信号保真度。已有 EEG 相关工作尚未检索确认。