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、复杂光谱信息及 Transformer 长程依赖建模的二次复杂度，提出空间–光谱状态空间模型 S2Mamba，通过分别提取空间与光谱上下文并自适应融合，改善分类建模。来源标题使用 SMamba，摘要中的方法名为 S2Mamba，两者命名差异尚待核对。 核心机制是沿不同维度设置两个选择性结构化状态空间模型（SSM）：patch cross scanning（PCS）模块通过像素与邻近像素的交互捕获空间上下文；bidirectional spectral scanning（BSS）模块沿连续光谱波段双向扫描，提取光谱语义信息。随后，spatial-spectral mixture gate（SMG）利用一组可学习矩阵自适应融合两类表示，以适应均质区域与复杂纹理场景。其方法动机是利用 Mamba 的线性复杂度长程建模替代计算成本较高的 Transformer，但完整模型的复杂度、实际运行时间与资源占用尚未验证。 作者报告，在 HSI 分类基准上的广泛实验显示 S2Mamba 的优势；摘要未给出数据集名称、训练测试划分、对照方法、指标或具体数值，因此不能量化优势。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，不能据此确认当前已可获取或具备完整复现条件。 平台推测（待验证）：该方法依赖图像空间邻域与连续光谱波段的结构，其双维度扫描与门控融合可作为 EEG 时间依赖和通道空间关系联合建模的假设性参考，但光谱波段不能直接等同于 EEG 通道。可复用思路是选择性 SSM 与自适应融合；需改造扫描顺序、通道拓扑编码及输入表示。低信噪比、跨被试差异、通道缺失与小数据规模可能削弱结构对应关系或造成过拟合。一个可检验的小实验是在固定 EEG 数据划分和相近模型容量下，对比时间单分支 SSM 与时间–通道双分支加门控模型，并以通道顺序扰动检验拓扑依赖；此建议不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。