用于遥感图像场景分类的鲁棒空间—频率联合表征

基于摘要分析。本文研究遥感图像场景分类，针对空间域 CNN 表征对位置敏感、难以稳健处理旋转变化的问题，在传统空间域架构中引入频域分支，并通过联合学习模块融合两类特征。 核心机制是结合空间域的判别性特征与作者所称的频域位置鲁棒特征。其主要研究对象是遥感图像，而非 EEG 或 BCI。摘要未说明频域变换方式、分支结构、融合算子、损失函数及训练细节，也不能据此认定频域分支具有严格的旋转不变性。 作者报告，该方法在 Sydney、UC-Merced、WHU-RS19 和 AID 四个公开遥感图像场景数据集上取得满意表现；摘要未提供具体指标、数据划分或对照结果，因此尚不能量化收益或比较不同协议下的性能。实验协议、消融及统计信息尚未验证；复现还需核对频域输入构造、图像预处理及联合学习实现。 平台推测（待验证）：可迁移的假设是联合利用互补的空间与频率信息，而非将图像旋转鲁棒性直接等同于 EEG 跨被试鲁棒性。原方法依赖二维图像及场景类别监督，训练规模尚未验证；对应 EEG 时，可考虑复用双域表征与融合思路，但必须改造空间输入以适配电极拓扑，并明确频率表征。低信噪比、通道布局变化及小数据可能使融合模块过拟合，频域分支也可能重复已有特征而无额外收益。一个可证伪的小实验是在固定跨被试划分的 MI 分类中，对比空间域、频域及联合模型，控制模型容量与训练预算，并检查联合模型的增益是否稳定。上述并非本文已验证结果，已有 EEG 相关工作尚未检索确认。