ChessMamba：面向遥感图像变化检测的结构感知状态空间交错建模

基于摘要分析。该研究针对多时相遥感图像变化检测中异质性与时空错位导致的精细识别困难，提出 ChessMamba，通过结构感知的状态空间交错建模促进跨时相比较与变化定位；其主要研究对象是遥感图像，而非 EEG 或 BCI。 方法整合 SpatialMamba 编码器与轻量级跨源交互模块。第一项机制是结合蛇形扫描顺序的棋盘交错，将多时相特征序列化为统一序列，在单次前向处理中缩短交互路径并支持直接比较。第二项机制是利用多膨胀率卷积进行结构感知融合，选择性捕获各单时相内部的中心及角点邻域上下文。作者将其动机归结为：现有 vision transformer 或状态空间方法的时序序列化可能破坏局部结构一致性，使错位条件下的判别线索难以保留。 作者报告，在二元变化检测、语义变化检测及多模态建筑损伤评估三类任务上，ChessMamba 能融合异质特征，并相较先进方法取得明显的准确性提升。摘要未提供数据集名称、划分协议、具体指标及数值，尚不能核对提升幅度或比较条件；实验协议、消融及统计信息尚未验证。代码被表述为将公开，当前可用性尚未验证。 平台推测（待验证）：可迁移的假设是，若 EEG 跨会话数据能构造具有可比局部结构的通道—时间特征，交错扫描可能促进不同会话间的局部比较。可复用的是交错序列化及状态空间交互思路；需改造的是遥感二维邻域、时相对应关系与融合模块。EEG 的低信噪比、跨被试差异、通道缺失及小数据条件可能使这种结构假设失效，且原文监督设置与训练规模尚不明确。可在固定 Cross-session 划分、相同编码器和训练预算下，对比常规拼接与交错扫描，并加入通道缺失扰动检验稳健性；这只是可证伪的迁移实验建议，不是已有 EEG 效果。相关 EEG 工作尚未检索确认。