RS3Mamba：用于遥感图像语义分割的视觉状态空间模型

基于摘要分析。本文研究遥感图像语义分割中局部特征提取与长程关系建模的结合，提出双分支网络 RS3Mamba：以卷积主分支提取特征，以视觉状态空间（VSS）辅助分支补充全局信息，并通过 collaborative completion module（CCM）增强和融合双编码器特征。 核心机制：作者将 CNN 的长程建模能力限制与 Transformer 的计算复杂度作为研究动机，采用以 Mamba 为代表的 VSS 模型进行具有线性计算复杂度的长程关系建模。RS3Mamba 并非单纯以 Mamba 替代卷积，而是保留卷积主分支，再引入 VSS 辅助分支；CCM 用于协调两类分支的不同特征。具体扫描方式、网络层数、损失、训练与推理配置尚未验证，也不能将 VSS 的复杂度描述直接视为整网实测效率结论。 实验与证据：作者报告在 ISPRS Vaihingen 和 LoveDA Urban 两个遥感语义分割数据集上的实验支持方法有效性及应用潜力，但摘要未提供指标数值、数据划分、对照基线或效率测量。实验协议、消融及统计信息尚未验证。作者声称这是首个专门面向遥感图像语义分割的 vision Mamba，该优先性尚未独立核实。摘要称代码将公开，当前可用性与复现条件尚未验证。 平台推测（待验证）：可检验的迁移假设是，将卷积局部建模与状态空间长程建模的互补机制用于 EEG 时频表示，而非迁移遥感分割任务本身。该假设依赖有意义的二维排列与足够的任务监督；可能复用双分支融合思路，但需改造输入编码、扫描顺序和输出头。EEG 的低信噪比、通道排列差异、跨被试分布变化及小数据规模可能使辅助分支学习无关结构。一个小规模检验是在固定 EEG 任务及同一跨被试划分下，对比卷积基线、加入 VSS 辅助分支、再加入 CCM 的版本，同时核对任务指标与计算开销。原文未报告 EEG/BCI 实验，已有相关工作尚未检索确认。