MambaLCT：通过长期上下文状态空间模型增强目标跟踪

基于摘要分析。该研究针对视频目标跟踪中上下文通常局限于相邻帧或短视频片段的问题，提出 MambaLCT，持续聚合从首帧到当前帧的目标变化线索，并将其用于模板帧与搜索帧的关系建模。主要研究对象是视觉目标跟踪，而非 EEG 或 BCI。 核心机制是单向 Context Mamba 模块：沿时间维度扫描帧特征，通过选择性扫描机制将目标相关信息压缩到隐状态空间，并持续更新目标变化线索；随后把这些线索注入注意力机制，为模板帧与搜索帧之间的关系提供时间信息。其方法价值在于将持续更新的长期上下文与跟踪中的注意力建模结合，而不只使用局部时间窗口。具体网络结构、损失、训练方式与状态更新实现尚未验证。 作者报告，长期上下文有助于复杂场景下的目标感知，MambaLCT 在六个目标跟踪基准上达到新的 SOTA，同时保持实时运行速度。摘要未提供基准名称、数据划分、对照方法、具体指标、速度数值或测试硬件，因此这些结果暂不能用于量化比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在跨时间窗的持续状态变化，选择性状态聚合可能用于缓解固定窗口难以利用长期上下文的瓶颈。可复用的是单向时序状态更新思路；视觉帧特征及模板—搜索帧关系则需改造为 EEG 时间窗表征和任务相关关系。原方法依赖有序视频帧及目标相关特征，摘要未说明其监督形式与训练规模；EEG 的低信噪比、跨被试差异、通道变化和小数据可能使隐状态累积噪声或无关历史。一个可检验的小实验是在同一 EEG 任务与固定划分下，对比持续状态聚合、固定窗口及状态重置版本，检验收益是否来自长期信息，并严格隔离不同试次的状态。已有 EEG 相关工作尚未检索确认。