这篇的价值不在模型，在于它用同一套代码、同一套超参在 4 个块尺寸变体上重跑了 SOTA，然后发现尺子本身坏了。
① 「块尺寸变体不可比」——但机制不是超参漂移。
这点值得说清，因为它最容易被误读。§3.9：batch size 恒为 4、epoch 恒为 150、lr 与 cosine schedule 全部相同（原文说明理由：更大的数据集变体装不下更大 batch，而改 batch 会引入方差与偏倚）。所以不可比不是训练配置漂移，是任务本身变了——每个 epoch 走过的总像素数差 1.7–2.2 倍：
| 变体 | 块尺寸 | 总地块数 | 总空间像素 (M) |
|---|---|---|---|
| PASTIS-128 | 128px | 2,435 | 39.9 |
| PASTIS-24 | 24px | 60,825 | 35.0 |
| MTLCC-48 | 48px | 8,125 | 18.7 |
| MTLCC-24 | 24px | 43,963 | 25.3 |
- UNet3D 小块全线受益（MTLCC mIoU +4.6%、Dice +3.4%）
- UTAE 反向：PASTIS 上从 128 换到 24，OA%、mIoU、Dice 三项全降。作者归因为卷积架构离开原始块尺寸后需要更仔细调参——UTAE 本来就是随 PASTIS-128 发布的，128px 是它的母语
- PAtteRNS 自己在 PASTIS-128 上从 p=4 换 p=2 也下降（mIoU 0.650→0.646，mBIoU 0.445→0.436）
② 更狠的一条：Boundary IoU 自己也不可比。
论文把 Boundary IoU 首次引入 SITS 作物分割（式 2），但它自己发现了这个指标的软肋：边界宽度 d = 0.05 × 块对角线，于是
24×24 → 2 像素 · 48×48 → 3 像素 · 128×128 → 9 像素
跨度 4.5 倍。作者因此明写「mBIoU scores are not directly comparable across different tile sizes」，Table 5 的 mBIoU 最优值是按块尺寸分组高亮的；§5.2 进一步自省建议改用真实空间单位（米）而非像素定义边界宽度。
这比「我们 mBIoU 更高」有价值得多——它指出一个正在被广泛引用的指标，其数值依赖切片方式。作者甚至对自己的 first claim 也不打包票：「The authors believe this is the first use of Boundary IoU in SITS crop segmentation」。
③ 摘要的 first claim 站不住，三处口径不同。
摘要写「the first model to use self-attention separately for each of the temporal, spectral, and spatial aspects」；引言贡献列表收窄成「the first crop segmentation model」；§2.3 又退到「no prior work has used a fully factorised attention approach with spectral attention」。
检索后的实际情况：
- TSViT（Tarasiou et al., 2023）论文自己承认用了「per-dimension attention factorisation similar to ViViT」，已分解时间 + 空间两轴
- PSENet / PSE-TAE 用 Pixel-Set Encoder + Temporal Self-Attention 处理 SITS
- 超谱方向的双流注意力更早更彻底，如 DATE（Tang et al., 2023）同时有 spectral attention 与 spatial attention module
④ 「全面优于」有一格输了。§5 自己承认 OA% 四个变体全部由 UTAE 领先（最大 0.6%、平均 0.3%）；mBIoU 在 PASTIS-128 上 PAtteRNS p=2（0.436）比 TSViT p=4（0.444）低；mIoU 在 PASTIS-128 p=4 时 PAtteRNS 0.650 与 UTAE 0.650 完全打平。
⑤ 「显著降低计算复杂度」没有理论公式。全文 grep 不到任何 \(O(N^2)\)/\(O(NT)\) 一类表达式，唯一数字是 §3.3 一句「约 5 倍 MACs」，且明确是「sequential model without token reduction」这个特定变体。而与实际 SOTA 比：PAtteRNS p=4 参数量 3.4M vs TSViT 1.7M（整两倍），p=2 时 MACs 44.5G vs 36.8G（反而更高）。省的是相对自建串行基线的钱。作者也承认「Restricting the intermediate representation to class tokens cuts this cost」。
⑥ 最该知道的一条：零方差、零置信区间、零 p 值。
grep std / standard deviation / confidence / p-value / error bar 全部零命中。作者跑了 3 seed × 全 fold（Table 5/6 注明「3 iteratively-seeded repeats」），却只报均值不报任何离散度。所以「PAtteRNS 0.786 vs UTAE 0.782」这种 0.004 的差距完全无法判断是否超出种子噪声——而论文恰恰用这些亚 1% 的差距支撑「matches or exceeds UTAE on every metric」。
其余几处：
- 类别分组缺陷的机制证据扎实：PASTIS 四个 taxonomical aggregate 类平均 recall 60.6%（PAtteRNS）/54.6%（TSViT）/52.5%（UTAE），剔除后 83.4%/81.0%/80.8%——三个模型同一模式，拖低约 23 点。但这是观察性对比，不是干预（没「拆开再训一次」）。
- CRH 的收益有两个口径：给「时间+光谱、无空间 transformer」的模型加 CRH 是 +0.8 OA%/+4.1% mIoU/+13.5% mBIoU（「very significant」）；给三 transformer 齐全的最终模型加，缩成 +0.5/+1.9/+2.7。摘要主推前者。
- 对手有一格是空的：TSViT 在 PASTIS-128 p=2「exceeded GPU memory on all available hardware」，且 §5.1 承认未能复现 TSViT 原文报告的性能（「could not identify a specific cause」）。
- UTAE 的复现比原文更好（OA 83.2%→83.8%），归因于训练轮数 100→150——「UTAE 是弱基线」这个质疑被部分消解，但也说明数据集上界对训练预算敏感。
- 消融只在第一折（Table 2/3/4），主表却是全 fold 均值，两组口径不同不可交叉比。
*（SVG 动画卡：悬停/加载后动起来；静态截图看不全信息，数字以正文为准。）*