PyramidMamba：以选择性状态空间模型重新审视遥感影像语义分割中的金字塔特征融合

基于摘要分析。本文研究遥感影像语义分割中的多尺度特征融合问题：复杂场景与不同尺度的地物需要丰富的语义表示，但金字塔特征中相似的语义内容可能带来融合冗余。作者提出基于 Mamba 的分割网络 PyramidMamba，通过可插拔解码器结合多尺度编码与冗余抑制。 机制上，dense spatial pyramid pooling（DSPP）用于编码丰富的多尺度语义特征，pyramid fusion Mamba（PFM）用于减少多尺度融合中的语义冗余。其研究重点不是单纯增加特征尺度，而是改善已有金字塔特征的融合。摘要未交代特征序列化方式、选择性状态空间模块的具体实现、骨干网络、损失函数及训练设置，这些内容尚未验证。 作者报告，在 OpenEarthMap、ISPRS Vaihingen 和 Potsdam 三个公开遥感数据集上，PyramidMamba 的 mIoU 分别为 70.8%、84.8% 和 88.0%，并称达到 SOTA。摘要未提供数据划分、对照基线及统一评估条件，因此这些数值只能作为各数据集上作者报告的结果，不能据此判断跨协议优势。作者还报告消融实验支持多尺度表示的有效性，并认为方法具有实时分割潜力；具体消融配置、统计信息、推理硬件与速度尚未验证。代码被表述为将公开，当前可用性尚未确认。 平台推测（待验证）：可迁移的假设是，多尺度 EEG 特征也可能存在重复信息，因而 PFM 的融合思路值得考察，但原论文依赖影像空间金字塔和像素级分割监督，并非 EEG 或 BCI 验证。可考虑保留融合模块，将 DSPP 改为适配时间尺度与通道结构的特征提取；低信噪比、被试差异、通道排列和小样本可能使融合机制压制有效的弱信号。一个可证伪的小实验是在固定 EEG 特征提取器与跨被试划分下，对比直接拼接和 PFM 融合，统一训练预算，检验任务指标是否稳定改善。已有 EEG 相关工作尚未检索确认。