通过空间协同实现混淆感知对比学习的半监督语义变化检测

基于摘要分析。本文研究遥感图像的语义变化检测（SCD），需要同时定位变化区域并识别其语义变化类别。针对标签主要覆盖变化区域、未变化地表覆盖类别信息未被充分利用的问题，作者提出半监督框架 SC2A-SCD，通过分类空间与表征空间协同生成伪标签，并利用混淆感知对比学习改善类别表征。 核心机制包括两个相互促进的模块：联合分类与表征空间建模（JSM）整合两个空间中的双时相地表覆盖分类（LCC）预测 logits，为未变化区域生成类别伪标签；混淆感知对比学习（CACL）在表征空间中优先采样容易误分类的锚点与负样本，以增强易混淆地表覆盖类别的区分能力，并进一步改善 JSM 的伪标签质量。这里的“空间协同”指分类空间与表征空间的协作，不能据来源栏目将其理解为 State Space Model 方法。 作者报告，相较于先进 SCD 方法，综合实验显示 SC2A-SCD 能改善变化类型识别并提升 SCD 性能。摘要未提供数据集、标注比例、数据划分、对照方法名称或具体指标，因此目前不能判断收益幅度与适用范围；损失形式、伪标签筛选规则、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可探索的迁移机制是少标签条件下的伪标签生成与易混淆负样本采样，而非遥感变化检测任务本身。其原始机制依赖双时相图像及变化区域与未变化区域的结构；EEG 分类通常不具备这一对应关系，需要重新定义样本配对、类别预测与表征空间协同方式。潜在可复用模块是混淆感知采样和伪标签协同更新，主要风险是低信噪比与跨被试差异使错误伪标签被反复强化，小数据也可能造成混淆估计不稳定。 一个可检验的初步实验是在固定 EEG 被试内划分和标注比例下，对比基础半监督分类、加入混淆感知采样、再加入双空间伪标签协同的配置，检查分类表现及伪标签错误率是否同步改善；该方案仅为迁移假设，不代表论文已有 EEG 结果。相关 EEG 工作尚未检索确认。