RSCaMa：基于状态空间模型的遥感图像变化描述

基于摘要分析。本文研究 Remote Sensing Image Change Captioning（RSICC），目标是用语言描述两个时相遥感图像之间的地表变化，包括对象类别、位置及新增或消失等变化。作者提出 RSCaMa，通过多个 CaMa 层迭代细化双时相特征，以联合建模空间变化和时相间关系；研究对象是遥感图像，并非 EEG 或 BCI。 空间建模方面，作者引入具有全局感受野与线性复杂度的 Mamba，并提出 Spatial Difference-aware SSM（SD-SSM），增强对空间变化的感知。时间建模方面，Temporal-Traversing SSM（TT-SSM）以时相交叉方式扫描双时相特征，促进两个时相之间的信息交互。摘要未给出差异信息的具体注入方式、扫描顺序、损失函数及训练配置，相关实现尚未验证。 作者报告，实验支持联合时空建模的有效性及 RSCaMa 在 RSICC 上的性能表现，并系统比较了 Mamba、GPT-style decoder 与 Transformer decoder 三类语言解码器。摘要未提供数据集、划分、评价指标、具体分数或计算资源，因此无法核对优势幅度及效率收益；实验协议、消融及统计信息尚未验证。摘要称代码将公开，但当前可用性与复现条件尚未验证。 平台推测（待验证）：若将两个 EEG 时间窗表示为可比较的特征序列，差异感知与交叉扫描可能用于建模状态变化，而非直接迁移遥感语言描述任务。可复用候选是状态空间交互模块，需改造输入编码、通道与时间顺序及任务输出；遥感空间结构不等同于 EEG 通道结构，低信噪比、跨被试差异和小样本可能使差异特征主要反映噪声。一个可检验的假设是：在同一 EEG 数据划分及近似参数预算下，交叉扫描相比独立扫描能改善状态变化识别，可通过替换扫描方式并加入噪声扰动检验。该假设不构成已证实的 EEG/BCI 效果，已有相关 EEG 工作尚未检索确认。