利用时序状态空间共享进行视频语义分割

基于摘要分析。本文研究视频语义分割（VSS）中逐帧或短时窗处理造成的时序上下文有限、重复计算和内存开销问题，提出 Temporal Video State Space Sharing（TV3S）架构，利用 Mamba 状态空间模型进行跨帧特征共享，以兼顾长时序一致性与计算效率。 核心机制是通过选择性门控传播视频帧之间的相关信息，替代高内存开销的特征池。TV3S 独立处理空间 patches，并引入 shifted operation，以支持训练和推理阶段的高度并行计算；作者称这可降低顺序状态空间处理的延迟，并改善长视频序列的可扩展性。推理时模型利用先前帧的信息，但状态更新公式、门控实现、shifted operation 的具体形式、损失函数和训练配置尚未验证。 作者报告，在 VSPW 和 Cityscapes 数据集上的评估中，TV3S 优于当前最先进方法，并在长视频序列上取得一致结果。摘要未提供具体指标、数值、数据划分、对照基线或效率测量条件，因此无法量化优势，也不能据此判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。摘要提供了公开代码仓库，但其运行条件、预训练权重与复现完整性尚未核查。 平台推测（待验证）：迁移假设是，选择性状态共享可能缓解 EEG 长序列处理中固定窗口上下文不足及历史特征缓存开销的问题。原方法依赖视频帧的空间 patch 结构，属于语义分割任务；其监督形式和所需数据规模尚未验证。可考虑复用状态传播与门控思路，但需重新设计 EEG 的时间分块、通道表示及 shifted operation，不能直接照搬图像空间结构。低信噪比可能使门控持续传播伪迹，跨被试差异、通道配置变化和小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 任务、相同骨干及相同被试划分下，对比短窗口模型与增加状态共享的模型，同时记录任务指标、峰值内存和推理延迟，并测试序列长度变化及状态重置的影响。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。