基于状态空间模型的高光谱异常检测自适应双域学习

基于摘要分析。本文研究高光谱异常检测（HAD），提出空间—光谱自适应双域学习方法 SSHAD，针对现有学习方法难以同时利用空间稀疏性与光谱间相似性、以及未充分区别高低频信息的问题，通过空间—光谱并行建模与频率损失改善背景重建中的异常抑制。 核心组件为 SS-block，由空间选择性状态空间模块 SSSM 和光谱频率划分自注意力模块 FDSM 并行构成。SSSM 沿高光谱影像（HSI）的空间维度进行多方向扫描，以捕获全局感受野；FDSM 使用离散小波变换（DWT）分离高频与低频信息，并分别应用多尺度卷积和自相似注意力。作者将该结构用于建模跨窗口联系，并称其可在保持线性复杂度的同时扩大感受野；具体复杂度计算范围尚需正文核对。另引入频率损失，在背景重建过程中抑制高频异常的重建，摘要未给出损失公式及权重设置。 作者报告，在四个公开数据集及两个无人机（UAV）载高光谱数据集上的实验支持 SSHAD 的优势与有效性，但摘要未提供数据集名称、划分、对照方法或具体指标，不能据此量化性能提升。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用性与复现条件尚未核实。 平台推测（待验证）：其可迁移机制是频率分解与选择性重建，而非高光谱异常检测结果本身。原方法依赖二维空间邻接和光谱波段结构；若用于 EEG，需要将空间扫描改造成时间或通道拓扑建模，并重新界定背景与目标事件。低信噪比、跨被试差异、有限通道及小数据可能削弱建模效果，尤其不能默认 EEG 高频成分都是应抑制的异常。一个可证伪的小实验是：在固定被试内划分及同一重建基线下，分别加入 DWT 分支和频率损失，检验伪迹抑制是否改善，同时检查目标神经事件是否被误删。该实验仅为迁移假设，已有相关 EEG 工作尚未检索确认。