用于 3D 单目标跟踪中长期时序上下文建模的状态空间模型

基于摘要分析。本文研究点云中的 3D single object tracking（3D SOT），针对点云稀疏、遮挡导致的外观变化及长期时序上下文难以建模的问题，提出基于状态空间模型（SSMs）的 SSMTrack。核心贡献是利用持续演化的隐藏状态传递历史信息，旨在降低时序建模开销并提高目标表示的时序一致性。 作者认为，已有 Transformer 方法虽然利用记忆机制传播时序信息，但二次复杂度及对离散历史快照的依赖限制了效率与时序连贯性。SSMTrack 以作者所述的线性复杂度建模长期依赖，并包含三个模块：serialization and bidirectional scanning（SBS）增强帧内特征交互；Target-Aware Encoder（TAE）提取目标线索并维持稳定的时序表示；Temporal Causal Shape Learning（TCSL）保留关键历史信息、自适应融合当前输入，使目标特征随时间逐步丰富。摘要未给出状态更新方程、序列化顺序、损失函数及训练或推理细节，复杂度对应的具体计算环节尚待核对。 作者报告在三个基准数据集上获得最先进性能，并具有较强的时序一致性和较高效率；摘要未提供数据集名称、划分、对照方法、评价指标、数值及运行条件，因此尚不能独立核对这些结论。实验协议、消融及统计信息尚未验证。材料称代码将在论文发表时发布，不能据此认定代码已公开或论文已正式发表。 平台推测（待验证）：可迁移的假设是，持续更新的状态与选择性历史保留机制可能用于 EEG 长序列中的上下文压缩，但原研究依赖连续点云帧、空间特征及目标线索，其监督形式和数据规模尚未明确。可考虑复用时序状态更新思路，而点云序列化、目标感知编码和形状学习模块需要改造成适配 EEG 通道与时间片的机制。低信噪比可能使状态累积伪迹，跨被试与通道变化可能破坏表示稳定性，小数据也可能不足以学习可靠的信息保留策略。一个可检验的小实验是在同一 EEG 任务和固定被试内划分下，以相同输入特征及训练预算比较持续状态与离散历史缓存，考察长窗口性能、推理开销和伪迹扰动后的恢复表现。已有 EEG 相关工作尚未检索确认。