RSCaMa：基于状态空间模型的遥感图像变化描述

基于摘要分析。本文研究遥感图像变化描述（RSICC）：将不同时相影像中的地表变化转化为语言，描述变化对象的类别、位置及新增或消失等动态。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与时间关系；主要研究对象是遥感影像，而非 EEG 或 BCI。 机制方面，Spatial Difference-aware SSM（SD-SSM）将 Mamba 状态空间模型用于空间建模，利用其全局感受野与线性复杂度特性增强空间变化感知。Temporal-Traversing SSM（TT-SSM）以时间交叉方式扫描双时相特征，促进两个时相之间的信息交互。摘要未说明差异信息的具体构造、扫描序列组织、损失函数或训练流程，不能据此补全实现细节。 作者报告，实验支持联合时空建模的有效性及 RSCaMa 在 RSICC 上的表现，并比较了 Mamba、GPT-style decoder 和 Transformer decoder 三类语言解码器。摘要未提供数据集、划分、评价指标、分数、计算开销或各解码器的相对结果，因此尚不能量化性能优势，也不能判断线性复杂度是否转化为实际速度或显存收益。实验协议、消融及统计信息尚未验证。作者表示将公开代码，但材料不能确认仓库当前的可用性或复现完整性。 平台推测（待验证）：可迁移的假设是，差异感知与成对特征交叉扫描可能有助于建模 EEG 两个时间窗口之间的变化，而非直接迁移遥感语言描述任务。原方法依赖双时相影像特征及描述监督；用于 EEG 时需重新定义窗口配对、通道表示与监督目标，不能将电极邻接直接等同于图像空间邻接。低信噪比、窗口错配、跨被试差异及小数据可能使差异特征主要反映伪迹或个体特征。可在固定被试内划分与相同训练预算下，比较普通 Mamba 扫描和成对交叉扫描，并通过打乱窗口配对检验收益是否确实来自时间关系。已有 EEG 相关工作尚未检索确认。