SMamba：用于高光谱图像分类的空间–光谱状态空间模型

基于摘要分析。该研究针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 建模空间–光谱长程依赖计算成本较高的问题，提出空间–光谱状态空间模型 S²Mamba，利用不同维度的选择性结构化状态空间模型提取并融合上下文特征。来源标题使用 SMamba，摘要中的方法名称为 S²Mamba，此处分别保留。 核心机制包括：Patch Cross Scanning 模块通过像素与邻近像素交互捕获空间上下文；Bi-directional Spectral Scanning 模块沿连续光谱波段探索语义信息；Spatial-spectral Mixture Gate 通过一组可学习矩阵，自适应融合空间与光谱表征。其设计动机是两类特征在同质区域与复杂纹理场景中具有不同作用。摘要以 Mamba 的线性复杂度对比 Transformer 的二次复杂度，但具体扫描实现、整体模型计算量及实测效率尚未验证。 作者报告，在 HSI 分类基准上的广泛实验显示该方法具有优势；摘要未提供数据集名称、划分协议、对照基线、指标或数值，无法据此量化提升。实验协议、消融及统计信息尚未验证。作者表示代码将公开，这不等于已确认代码可用；复现仍需核对实现、配置与数据预处理。 平台推测（待验证）：可检验的迁移假设是，将多通道 EEG 的电极空间关系与时间或时频结构分开建模，再以门控融合缓解单一维度表征的限制。可借鉴双维度扫描与融合思路，但 HSI 的规则像素网格和连续光谱波段不等同于 EEG 的电极拓扑与时间动态，需要改造扫描顺序、邻接关系及输入表征，并核对监督方式与数据规模要求。低信噪比、跨被试差异、通道缺失及小样本训练可能使扫描顺序敏感或门控过拟合。一个小规模可证伪实验是在固定 EEG 数据划分下，对比单维度扫描、双维度直接融合与门控融合，控制参数规模，并检查跨被试性能及通道扰动稳定性。相关 EEG 工作尚未检索确认。