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）：根据两个时相的遥感图像，用语言描述地表变化对象的类别、位置及新增或消失等变化状态。作者提出 RSCaMa，通过多个 CaMa 层迭代细化双时相特征，旨在实现高效的联合空间—时间建模；主要研究对象是遥感图像，而非 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），以增强空间变化感知，针对既有 CNN 与 Transformer 方法在感受野或计算复杂度上的限制。时间建模方面，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。摘要未披露差异信息的具体注入方式、扫描序列构造、损失函数与训练配置，不能据此还原实现。 作者报告实验支持联合空间—时间建模的有效性及 RSCaMa 在 RSICC 任务中的性能，但摘要未给出数据集、划分、评价指标或具体数值。作者还系统比较了 Mamba、GPT-style decoder 与 Transformer decoder 三类语言解码器；其性能与效率取舍需查阅正文。实验协议、消融及统计信息尚未验证。摘要称代码将公开，实际可用性尚未验证。 平台推测（待验证）：可迁移的机制假设是，以差异感知和交叉扫描建模两段对齐 EEG 的状态变化，而非直接迁移遥感语言描述任务。该路径依赖可比较的双段数据、合理的通道对应关系及任务监督；可考察 SD-SSM、TT-SSM 的特征交互思路，但需重构通道—时间表示与扫描顺序，并使用适合 EEG 的输出头。低信噪比、通道布局差异、跨被试分布变化及小数据可能使差异表征捕获伪迹而非任务信息。可检验的小实验是在同一 EEG 数据划分与训练预算下，对照单段 Mamba、双段特征融合及交叉扫描方案，检验交叉扫描是否提供稳定增益。已有 EEG 相关工作尚未检索确认。