MamBEV：使状态空间模型学习鸟瞰图表示

基于摘要分析。该研究面向自动驾驶与辅助驾驶中的多摄像头图像三维感知，提出基于 Mamba 的 MamBEV 框架，以线性时空 SSM-based attention 学习统一的鸟瞰图（BEV）表示，旨在兼顾多种三维感知任务与计算、内存效率。 机制上，摘要强调两项设计：一是利用时空状态空间模型构建 BEV 表示；二是引入类似标准 cross-attention 的 SSM-based cross-attention，使 BEV 查询表示能够与相关图像特征交互。其关注点不仅是序列建模，还包括从多摄像头图像特征到统一空间表示的跨表示交互。具体状态更新、查询注入方式、空间与时间组织方式、损失及训练流程尚未验证，不能据摘要确定其实现细节或复杂度边界。 作者报告，MamBEV 在多种视觉感知指标上表现有潜力，相较现有基准模型具有输入规模扩展效率优势，并改善计算与内存效率。摘要未提供数据集、任务清单、数据划分、对照模型、具体指标数值及硬件条件，因此无法量化效果与资源收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 方法研究借鉴的部分，是以 SSM 实现查询与长序列特征之间的交互，而非 BEV 空间表示本身。假设任务查询能够从长时程 EEG 中选择相关信息，可保留 SSM 交互模块，并将图像特征与 BEV 查询改为 EEG 时序特征与任务查询；但多摄像头空间结构并不等同于电极布局，低信噪比、跨被试差异、通道变化及小数据训练可能削弱该机制。可在同一 EEG 数据划分、匹配训练预算下，对比标准 cross-attention 与 SSM-based cross-attention，检验序列长度增加时任务指标、峰值显存和推理时间的变化。该假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。