ChangeMamba：基于时空状态空间模型的遥感变化检测

基于摘要分析。本文研究遥感影像变化检测，针对 CNN 感受野受限与 Transformer 计算开销较高的问题，将 Mamba 引入多时相影像分析，提出面向 binary change detection（BCD，二值变化检测）、semantic change detection（SCD，语义变化检测）和 building damage assessment（BDA，建筑损伤评估）的 MambaBCD、MambaSCD 与 MambaBDA。 三个框架均采用 Visual Mamba 作为编码器，以建模影像中的全局空间上下文；变化解码器包含作者提出的三种时空关系建模机制，用于促进多时相特征交互并提取变化信息。摘要未说明三种机制的具体运算、扫描方式、损失函数或训练配置，其创新性与计算效率需要结合正文核对。 作者报告，在五个基准数据集上，这些框架优于所比较的 CNN 与 Transformer 方法，且不依赖复杂训练策略或技巧；作者还报告了对退化数据的鲁棒性。摘要未提供数据集名称、划分、指标、数值、退化类型及强度，因此不能判断优势大小或跨协议可比性。实验协议、消融及统计信息尚未验证。摘要表示将公开源代码，当前可用性与复现条件尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是状态空间建模与多时段特征交互，而非遥感任务结果本身。原方法依赖具有空间布局的多时相影像及相应任务监督；迁移至 EEG 时，可考虑复用时序状态空间模块，但须改造二维空间扫描、通道表示和变化解码器，以处理通道拓扑差异、低信噪比及跨被试变化。小数据条件下，全局交互也可能放大伪迹或过拟合。一个可证伪的小实验是在固定 EEG 数据划分和相近参数预算下，比较时段交互模块与简单特征拼接，并通过通道扰动检查收益是否稳定。此为迁移假设，不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。