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。本文研究高光谱图像（HSI）的地表覆盖分类，针对低空间分辨率、复杂光谱信息以及 Transformer 长程依赖建模的二次计算复杂度，提出空间—光谱状态空间模型 S2Mamba，以两个维度的上下文提取和自适应融合改善分类效率与效果。来源标题使用 SMamba，摘要中的方法名为 S2Mamba，二者命名关系尚未核对。 机制上，方法采用两套选择性结构化状态空间模型（SSM）：空间分支通过 patch cross scanning（PCS）模块使像素与邻近像素交互，提取空间上下文；光谱分支通过 bidirectional spectral scanning（BSS）模块处理连续光谱波段，提取光谱语义。spatial-spectral mixture gate（SMG）由一组可学习矩阵实现，用于自适应融合两个维度的表征。其关键结构依赖图像邻接关系与有序光谱波段，而非仅将全部输入展平为单一序列。 作者报告，在 HSI 分类基准上的广泛实验显示 S2Mamba 的优势与潜力，但摘要未提供具体数据集、划分、对照配置、指标或实测计算开销。线性复杂度是摘要对 Mamba 长程建模的描述，不能直接等同于完整系统的实测加速；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，实际可用性尚未确认。 平台推测（待验证）：双维度扫描与门控融合可能用于 EEG 的通道空间关系和有序频率特征建模，但这是迁移假设，不是论文已验证的 BCI 贡献。可复用部分是 SSM 扫描与融合思路；需改造空间扫描以适配电极布局，并明确频率特征的构造方式。EEG 通道稀疏、低信噪比、跨被试差异及小样本训练可能使图像邻接假设或门控学习失效。一个可检验的小实验是在固定的跨被试划分下，比较双维度扫描加门控、单维度扫描及简单融合，并同时记录同一分类指标与计算开销。已有 EEG 相关工作尚未检索确认。