多光谱状态空间特征融合：衔接共享参数与跨参数交互以实现目标检测

基于摘要分析。本文主要研究多光谱目标检测中的特征融合，针对局部互补特征偏好可能削弱跨模态共享语义建模，以及感受野与计算复杂度之间的权衡，提出基于状态空间模型（SSM）的 MS2Fusion，通过双路径参数交互同时建模互补信息与共享语义。 机制上，跨参数交互分支通过 SSM 中的跨模态隐藏状态解码挖掘互补信息，作者将其功能与 cross-attention 联系起来；共享参数分支则通过联合嵌入和 SSM 参数共享进行跨模态对齐，提取相似语义特征与结构。两条路径在统一框架中联合优化。摘要未提供具体状态更新方程、融合位置、损失形式或计算复杂度测量，因而尚不能核实其效率优势及各分支的独立贡献。 作者报告，在 FLIR、M3FD 和 LLVIP 多光谱目标检测基准上，MS2Fusion 优于其他先进方法；还报告，在未进行任务专门设计的前提下，该框架在 RGB-T semantic segmentation 和 RGBT salient object detection 上取得领先结果。摘要未给出评估指标、数值、数据划分或具体对照方法，以上结论应限定为作者报告，实验协议、消融及统计信息尚未验证。作者表示将公开源代码，当前可用性尚未验证。 平台推测（待验证）：其可供借鉴的是“互补信息交互与共享表示对齐分开建模”的机制，而非已证实的 BCI 效果。若应用于同步 EEG 与其他模态的融合，需要匹配时间结构、采样率及任务监督；可尝试复用双路径融合思想，但视觉特征编码及空间交互需改造成适合神经信号的时序表示。低信噪比、跨被试差异、通道缺失和小样本可能使共享参数压制模态特有信息，或令互补分支学习噪声。一个可检验的假设是在固定编码器、训练数据与 Cross-subject 划分下，比较简单融合、单路径与双路径，并加入模态噪声或缺失测试，检查双路径是否提供稳定增益。已有 EEG 相关工作尚未检索确认。