Vision Mamba：基于双向状态空间模型的高效视觉表征学习

基于摘要分析。本文研究如何在不依赖自注意力的情况下构建高效、通用的视觉骨干，提出采用双向 Mamba 模块的 Vim，以位置嵌入标记图像序列，并通过双向状态空间模型压缩视觉表征。主要研究对象是图像分类、目标检测和语义分割，而非 EEG 或 BCI。 机制上，作者针对视觉数据的位置敏感性及全局上下文需求，将位置嵌入与双向序列建模结合，探索纯 SSM 视觉骨干作为视觉 Transformer 的替代方案。摘要未给出图像序列构造方式、双向信息融合细节、损失函数和训练配置，这些实现条件尚未验证。 作者报告，在 ImageNet 分类、COCO 目标检测及 ADE20k 语义分割任务上，Vim 相比 DeiT 等视觉 Transformer 获得更高性能，但摘要未提供各任务的具体指标和对照配置。作者另报告，在分辨率为 1248×1248 的图像上进行批量推理并提取特征时，Vim 相比 DeiT 快 2.8 倍，GPU 显存使用节省 86.8%；该结果属于特定高分辨率特征提取场景，批大小、硬件及模型规格尚未验证，不能直接推广到所有训练或推理条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：双向 SSM 对长序列的建模机制可能用于离线 EEG 长时间窗表征，以探索全局时序上下文与计算成本之间的权衡，但这是迁移假设。可复用部分是双向序列建模思路；图像序列输入及位置嵌入需改造为适配时间采样和通道布局的表示，监督方式与所需训练规模仍需评估。低信噪比、跨被试分布差异、通道变化和小数据训练可能使视觉领域优势无法成立；双向上下文也不能未经改造用于严格因果的在线 BCI。可检验的小实验是在固定 EEG 数据划分和训练预算下，对比双向 SSM 与自注意力骨干，分别记录 Cross-subject 分类指标、推理延迟和峰值显存，并核对位置编码及双向建模的作用。已有 EEG 相关工作尚未检索确认。