ChangeMamba：基于时空状态空间模型的遥感变化检测

基于摘要分析。研究针对遥感变化检测中 CNN 感受野受限、Transformer 计算成本较高的问题，探索以 Mamba 状态空间模型建模全局空间上下文与多时相影像交互，提出面向不同变化检测任务的框架；主要研究对象是遥感影像，而非 EEG 或 BCI。 方法方面，MambaBCD、MambaSCD 和 MambaBDA 分别对应 binary CD（BCD，二值变化检测）、semantic CD（SCD，语义变化检测）和 building damage assessment（BDA，建筑损伤评估）。三者均采用 Visual Mamba 编码器提取全局空间上下文，并在变化解码器中引入三种时空关系建模机制，以促进多时相特征交互、提取变化信息。摘要未说明这些机制的具体操作、扫描顺序、损失函数及训练配置，不能据此还原实现。 作者报告，在五个基准数据集上，所提框架优于 CNN 和 Transformer 方法，且不依赖复杂训练策略或技巧；作者还报告模型对退化数据具有较强鲁棒性。摘要未列出数据集名称、划分、指标数值、对照模型及退化类型，实验协议、消融及统计信息尚未验证。计算效率优势仍需通过正文中的复杂度、运行时间和资源测量核对。摘要提供了代码地址，但代码完整性与复现条件尚未验证。 平台推测（待验证）：其状态空间上下文建模与跨时相特征交互，为 EEG 长时间依赖及状态变化建模提供了机制层面的参考，但遥感效果不等于 BCI 有效性。迁移假设依赖具有明确时间对应关系的多通道 EEG 数据及状态变化监督；可借鉴状态空间模块与特征交互思路，需改造影像编码、空间扫描和输出头，以适配通道拓扑与时间轴。低信噪比、通道差异、跨被试漂移及小数据可能使模型把伪迹或采集差异当作变化。一个可证伪的小实验是在同一 EEG 状态变化任务和固定被试划分下，比较状态空间模型及加入跨窗口交互后的版本，与匹配容量的 CNN 基线，检验交互模块是否提供稳定增益。相关 EEG 工作尚未检索确认。