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。该研究针对高光谱图像（HSI）分类中的低空间分辨率、复杂光谱信息及长程依赖建模成本，提出空间–光谱状态空间模型 S²Mamba，通过分别建模空间与光谱上下文并自适应融合，服务于地表覆盖分类。原标题使用 SMamba，摘要中的方法名为 S²Mamba，二者命名差异需核对全文。 核心机制是沿不同维度使用两个选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息；Spatial-spectral Mixture Gate 则使用一组可学习矩阵，自适应融合两个维度的表示。作者将其定位为对 Transformer 空间–光谱长程依赖建模的效率改进，理由是 Mamba 的长程建模具有线性复杂度，而所讨论的 Transformer 架构具有二次复杂度；整套模型的实际运行成本仍需结合扫描实现和输入规模核对。 作者报告，在 HSI 分类基准上的广泛实验支持方法的优势，但摘要未列出数据集名称、划分协议、对照基线、指标或具体数值，无法据此量化准确性与效率收益。训练目标、预处理、消融及统计信息尚未验证。摘要称代码将公开，这不等同于已确认可用或可复现。 平台推测（待验证）：迁移假设是，空间–光谱分维建模可为 EEG 的通道–时间建模提供参考，原方法依赖空间邻接关系和连续光谱波段结构，但 EEG 通道拓扑不等同于规则图像邻域，时间轴也不等同于光谱轴。可考虑复用状态空间建模与融合门，改造扫描顺序、邻接定义和输入表示；低信噪比、跨被试差异、通道缺失及小数据训练可能使融合失稳。一个小规模可证伪实验是在固定 EEG 数据划分与训练预算下，对比单时间维建模、通道–时间双维建模及去除融合门的版本，并同时记录分类指标和计算成本。已有 EEG 相关工作尚未检索确认。