MSFMamba：用于多源遥感影像分类的多尺度特征融合状态空间模型

基于摘要分析。本文研究高光谱影像（HSI）与 LiDAR/SAR 数据的联合分类，提出 MSFMamba，以多尺度空间建模、光谱特征提取和双输入融合缓解局部感受野、全局建模计算开销及异构模态融合问题；研究对象是遥感影像，而非 EEG 或 BCI。 方法包含三个模块：Multi-Scale Spatial Mamba（MSpa-Mamba）通过多尺度策略降低计算成本并缓解多条扫描路线中的特征冗余；Spectral Mamba（Spe-Mamba）负责 HSI 光谱特征提取；fusion Mamba（Fus-Mamba）将原始 Mamba 扩展为双输入结构，以增强 HSI 与 LiDAR/SAR 的跨模态交互。摘要将 SSM 的线性复杂度长程依赖建模作为动机，但具体扫描顺序、双输入交互形式、损失函数、训练与推理设置尚未验证。 作者报告，在 Berlin、Augsburg、Houston2018、Houston2013 四个真实多源遥感数据集的分类实验中，Overall Accuracy 分别为 76.92%、91.38%、92.38%、92.86%，并称优于若干先进方法。摘要未提供数据划分、标注规模、具体对照及计算开销测量，因而不能据这些数值判断跨协议优势；实验协议、消融及统计信息尚未验证。作者表示源码将公开，当前可用性与复现条件尚未核实。 平台推测（待验证）：其潜在迁移路径是利用多尺度 SSM 处理 EEG 长时序，并以双输入模块探索 EEG 与其他同步生理信号的融合。该假设依赖可对齐的多模态数据及任务标签；可考虑复用多尺度建模与双输入交互思想，但遥感空间扫描和 HSI 光谱建模不能直接等同于 EEG 时间与通道建模，需重新设计序列组织和对齐方式。低信噪比、通道变化、被试差异及小样本可能使融合收益消失。一个可证伪的小实验是在固定跨被试划分与相同训练预算下，比较双输入 Mamba、单模态 Mamba及简单拼接融合，并检验打乱模态对齐后的性能变化；这不是已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。