LCCDMamba：用于甚高分辨率遥感影像地表覆盖变化检测的视觉状态空间模型

基于摘要分析。该研究面向甚高分辨率（VHR）遥感影像的地表覆盖变化检测（LCCD），提出视觉状态空间模型 LCCDMamba，以融合双时相影像的局部、全局及多尺度变化信息，并在解码过程中保留高维语义特征。 模型采用 Siam-VMamba 骨干提取地表覆盖特征，通过多尺度信息时空融合模块（MISF）聚合双时相特征的差异信息。MISF 包含多尺度特征聚合（MSFA）与带 SS2D 的残差结构（RSS）：前者利用条带卷积聚合局部多尺度变化信息，后者结合残差结构与 SS2D 捕获全局特征差异。解码器中的双 token 建模 SSM（DTMS）使用两种 token 建模方式，旨在增强不同维度变化特征的关联并保留高维语义；两种方式的具体定义及实现尚未验证。 作者报告，在 WHU-CD、LEVIR-CD 和 GVLM 数据集上，F1 分别为 94.18%、91.68% 和 87.14%，并称优于全部参与比较的模型。摘要未提供数据划分、对照模型、训练配置及统计信息，因此这些数值仅代表所述数据集上、具体协议尚未验证的结果，不能据此判断跨数据集泛化。实验协议、消融及统计信息尚未验证；Mamba 的线性时间复杂度动机也不能替代该模型实际计算开销的测量。 平台推测（待验证）：迁移假设是，局部聚合与全局状态空间建模的组合可能适用于跨会话 EEG 特征差异建模，但原方法依赖具有空间结构的双时相影像及变化检测监督，并非 EEG 方法。可考虑复用差异融合思路，将条带卷积和二维 SS2D 改造成适配时间轴与电极布局的模块；低信噪比、通道布局差异及小样本训练可能导致无关差异被放大。一个可证伪的小实验是在固定 Cross-session 划分与相同训练预算下，对比 EEG 基线及加入适配后差异融合模块的版本，核对目标任务指标是否稳定改善。相关 EEG 工作尚未检索确认，此建议不构成已验证的迁移结论。