基于无监督深度多视图伪不变特征学习的多时相多光谱地表反射率单调分段线性协调

基于摘要分析。该研究针对光学卫星影像逐幅独立进行大气校正后产生的跨日期地表反射率系统偏差，提出 Deep Multitemporal Generalized Canonical Correlation Analysis（DeepMGCCA），通过无监督深度多视图学习识别伪不变特征，并据此协调多时相观测。其主要研究对象是遥感反射率，而非 EEG 或 BCI。 方法结合 Deep Generalized Canonical Correlation Analysis（GCCA）与 Multivariate Alteration Detection（MAD），以共享卷积编码器替代各日期特定的线性投影，通过迭代重加权，从像素加权的典型变量中学习 deep-pseudoinvariant features（DIFs）。重建正则用于保留反射率信息，避免退化坍塌及对真实时间变化的过度抑制；具体目标函数、网络结构与重加权规则尚未验证。 实验涉及四个研究区域、四次年度 Landsat-8/9 与 Sentinel-2 采集，并比较四种基于 DIFs 的协调变换。作者报告，基于 DIFs 分位数的单调分段线性变换持续取得最大的偏差降低：跨日期光谱角最多降低 2.54，RMSE 降低 0.015，PSNR 最多提高 4.04 dB。摘要未注明光谱角的单位，也未交代各项最大改善对应的区域、传感器及对照设置，不能视为所有场景的统一收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是利用不变成分估计会话间观测偏差，同时用重建约束保留任务相关变化。但原方法依赖可跨日期对应的地物与多光谱观测，EEG 不具备直接等价的数据结构。共享表征与重加权机制或可复用，视图构造、通道对应及校正目标则需改造；低信噪比、被试差异和小样本可能使真实神经变化被误当作偏差。一个可证伪的小实验是在同一被试的匹配任务跨会话 EEG 上，对比不校正、线性校正与该类非线性校正，并同时检查会话差异和任务信息是否保留。尚未检索确认已有 EEG 相关工作。